NOAH：学习完整患者旅程。用于表征与预测的纵向多模态时间感知模型

医疗保健的数字化在患者一生中生成了海量、纵向且多模态的患者记录，然而，充分利用这些数据来表征和预测患者状态轨迹仍是一项关键挑战。当前的 AI 模型往往难以捕捉真实世界多模态患者数据中复杂、不规则的时间动态以及内在随机性。现有用于建模纵向患者记录的 AI 方法主要是判别式的，受限于少数几种模态，受封闭类别词表约束，将时间视为单调的归纳偏置，或者在预测未来患者状态方面能力有限。我们提出 NOAH，这是一种时间感知、任务无关的生成式 transformer 模型，用于表征和预测完整的多模态患者旅程。NOAH 具有一种新颖的双向时间整合机制和变分潜在空间，用以捕捉患者状态的连续演变以及临床轨迹的随机性。NOAH 基于 MIMIC 数据集家族中 299,000 名患者的 431,000 次住院就诊所产生的超过 5.59 亿个临床事件构建，可原生处理医学影像、时间序列和数值信号、类别事件，以及结构化和非结构化临床记录。NOAH 是其领域中首个真正整体化的生成模型，支持带可选时间控制的自回归预测、零样本分类以及反事实干预模拟。它生成信息量高且具有预测性的患者状态表征，在临床结局、15 个 ICD 章节和 29 种合并症的探测任务中，以及在事件发生时间预测中均表现出强劲性能。NOAH 能够无缝处理多样化模态和复杂时间动态，为个性化临床护理和数字医学中的智能预测系统提供了一个通用、任务无关且可扩展的基础。