ActMed：医院场景中以行动为条件的临床状态转移多模态预测

ActMed 针对医院临床预测中未来状态同时受当前患者状况与后续医疗行动影响的问题，提出将患者状态与临床行动序列分离的多模态预测框架，以当前状态和拟议行动序列预测下一状态及临床结局。以下基于摘要分析，未取得论文全文。 患者状态由放射影像与生理时间序列联合编码，行动序列涵盖用药医嘱、治疗操作和液体管理决策。模型先在潜在空间预测行动条件下的下一状态，再从该状态解码临床结局。与将干预作为普通输入特征的做法相比，其主要建模区别是显式区分状态与行动，并将任务表述为行动条件下的状态转移预测。 在多模态对齐方面，摘要描述了将胸部 X 光影像中的时间不变解剖结构与动态病理变化解耦，并通过 temporal fusion network 融合稀疏影像快照和密集的每小时测量。具体编码结构、解耦约束、损失函数及训练流程尚未验证。 作者报告，ActMed 在临床预测基准上达到最先进性能，并支持在不同干预条件下预测患者轨迹。但摘要未提供基准名称、样本规模、数据划分、对照方法或指标数值，实验协议、消融及统计信息尚未验证。需进一步核对行动序列与预测窗口的时间关系，以及模型如何处理治疗选择与病情之间的混杂；行动条件预测本身不等于已识别干预的因果效应，也不能据此认定替代治疗策略的临床收益。 本研究的主要对象是医院多模态临床数据，所给材料未提供 EEG/BCI 实验或直接的方法对应证据，因此不将其改写为 BCI 算法成果。复现所需的数据可用性、行动编码、预处理细节与实现资源尚未验证。