LongAgent：历史引导的智能体纵向结局预测搜索

从能够预测未来结局的纵向数据中提取信息丰富的表示，仍然是医学领域的一项关键挑战。医学数据集具有固有的异质性，由大量来自不同来源、以不同时间间隔采样并代表人类健康状况不同方面的变量组成。这要求识别具有预测价值的变量、处理纵向信息，并整合多个变量进行结局预测。在此，我们提出一种新颖的基于智能体的方法 LongAgent，该方法能够自主搜索变量集合、时间窗口和纵向聚合函数的组合，并识别出具有良好预测性能的候选方案。LongAgent 利用以往搜索的历史记忆和数值证据来指导后续探索。在合成数据上，LongAgent 达到 1.7376 的平均预测 RMSE，相较于最强的非智能体基线提升了 0.0151（95%置信区间：[0.0045, 0.0260]；p=0.0273）。在真实临床数据集上，其表现与最佳基线相当。