基于纵向电子健康记录的图增强疾病轨迹发现与终点发生时间预测

arXiv:2610.20502v1 公告类型：新提交 摘要：纵向电子健康记录（EHRs）能够揭示疾病进展结构，而要实现有用的预测，则需要控制数据泄漏的发现过程、考虑删失的结局，以及可审查的轨迹证据。我们基于 MIMIC-IV v3.1 开发了一个图增强框架，在构图之前划分患者，仅使用训练集学习连续住院之间的转移，并固定在验证数据上选定的终点特异性分支模体策略。最终模体库包含 99,527 个模体，一个时间感知 Transformer 通过终点特异性交叉注意力，为每个终点检索最多 24 个与患者相容的模体。在五个训练随机种子下，微平均 AUPRC 从 0.9330 提高至 0.9357，事件发生时间的 MAE 则从 676.9 天降至 657.7 天（减少 19.2 天；以患者为聚类单位的配对 bootstrap 95% 置信区间为 13.8–24.8 天）。时间预测效果存在异质性：对于 730 天内发生的事件，MAE 变差，但对于 730 天后发生的事件，MAE 改善了 58.9 天。在探索性的内部时间划分中，分支条件化使条件事件发生时间 MAE 降低了 26.9 天（95% 置信区间为 23.0–30.8 天），但没有证据表明微平均 AUPRC 有所改善。在数据支持的 0–2,555 天区间内，校正后的生存评估未能证实，该框架的宏平均 C 指数或积分 Brier 评分优于相匹配的、仅使用历史记录的离散风险模型。一项有向、度匹配的 GNN 修复显著改善了未见边的发现，但在模体身份保持不变的情况下替换 GNN 生成的评分，并未改善下游预测。这些结果表明，分支模体可作为结构化的轨迹上下文，其主要价值在于支持长期事件发生时间预测，而非在终点区分能力、生存预测或因果解释方面带来一致提升。