一种用于基于多层级不完整多模态 EHR 预测院内死亡率的临床点云范式

arXiv:2604.04614v3 公告类型：替换 摘要：基于深度学习的多模态电子健康记录（EHR）建模已成为临床诊断与风险预测的重要方法。然而，由于临床工作流程的多样性和隐私限制，原始 EHR 天然具有多层级不完整性，包括不规则采样、模态缺失和标签稀疏。这些问题会导致时间错位、模态失衡以及监督信号有限。现有大多数多模态方法都假设数据相对完整，即使是为处理不完整性而设计的方法，通常也只孤立地解决其中一到两个问题。因此，这些方法往往依赖僵化的时间/模态对齐，或直接丢弃不完整数据，从而可能扭曲原始临床语义。为解决这一问题，我们提出 HealthPoint（HP），一种面向多层级不完整 EHR 的统一临床点云范式。HP 将异构临床事件表示为连续四维空间中的点，该空间由内容、时间、模态和病例定义。为建模任意点对之间的交互，我们引入低秩关系注意力机制，以高效捕获跨越这四个维度的高阶依赖关系。我们进一步设计了分层交互与采样策略，以平衡细粒度建模和计算效率。在此框架基础上，HP 支持灵活的事件级交互和细粒度自监督，从而实现稳健的模态恢复，并有效利用无标签数据。在大规模 EHR 风险预测数据集上的实验表明，在不同程度的不完整性下，HP 始终取得了最先进的性能和强大的鲁棒性。