跨越 EHR 鸿沟：用于跨国医疗表征迁移的非对称对比学习

arXiv:2610.04946v2 公告类型：替换 摘要：由于不同机构和国家在临床编码、患者群体及医疗工作流程方面存在显著差异，纵向电子健康记录（EHR）表征的跨系统迁移面临挑战。我们提出非对称监督对比学习（Asymmetric SupCon），这是一种针对特定任务的预训练目标，其设计动机源于阴性临床结局的异质性。该目标将具有相同目标阳性结局的患者聚集在一起，而不显式地使阴性轨迹相互靠近。我们使用台湾全民健康保险研究数据库（NHIRD）中 398 万名患者的纵向记录对时序 Transformer 编码器进行预训练，并将其迁移至两个美国 EHR 数据集 MIMIC-IV 和 EHRSHOT。通过结合直接映射与基于嵌入的检索，混合语义映射流程实现了异构临床词汇体系之间的迁移。在 MIMIC-IV 上，NHIRD 预训练始终优于随机初始化，同时大幅缩小了与针对特定任务的域内预训练之间的性能差距。在 EHRSHOT 上，迁移后的模型在新发疾病预测方面表现出尤为出色的少样本性能。在预训练规模匹配的受控目标函数消融实验中，Asymmetric SupCon 在全部四项评估任务上的平均 AUPRC 均高于直接监督式 BCE 迁移，在其中三项任务上高于 Standard SupCon，但在再入院任务上的 AUPRC 低了 0.003。这些结果表明，非对称对比预训练是实现针对特定任务的跨国 EHR 表征迁移的有效方法。代码已公开于 https://github.com/qingYzhang/Asymmetric_SupCon。