arXiv cs.AI· Shahar Oded, Yuval Shahar·· 2 天前AI 评分22
INTERVenE：基于时间抽象区间的 Transformer 用于短期医疗事件预测
INTERVenE: Temporal-Abstraction-Interval Based Transformers for Short-Horizon Medical Event Prediction
AI 导读
INTERVenE 是一族以知识驱动时间抽象（KBTA）为输入的 Transformer 架构，用命名临床概念（状态、趋势、事件、上下文）的 token 流替代原始测量三元组，使逐 token 归因可直接对应临床概念。
正文 · AI 翻译
摘要：重症监护室中的电子健康记录（EHR）预测模型必须从稀疏且不规则的测量中学习，同时保留时间的临床意义并支持透明的决策。我们提出 INTERVenE，这是一系列 Transformer 架构，其输入是基于区间、基于知识的时间抽象（KBTA），即来自精选医学本体的命名临床概念（状态、趋势、事件、上下文）的 token 流，而非未命名的分箱索引或原始测量三元组。这一命名层正是我们要求 KBTA 完成的工作：它使模型的逐 token 归因在构造上即可解析为临床概念。INTERVenE 提供两种互补变体：一种自回归解码器，可生成未来抽象轨迹并给出每步风险读数（定位风险上升的\emph{时间}和\emph{在哪些事件之后}），以及一种双向编码器，用于单次联合风险与事件时间预测。在 57,078 例 MIMIC-IV 入院记录上，INTERVenE-Enc 优于 GRU-D、STraTS 和 KarmaLego，达到支持加权 AUPRC 0.672（比最强神经基线高 $+0.046$，95\% 自助置信区间不重叠）、AUROC 0.901，以及住院时长 MAE 44.4\,h。INTERVenE-Ar 通过生成的抽象轨迹和演变的风险评分补充这些预测，在更困难的生成式读数下达到 AUROC 0.854 和 AUPRC 0.588。一项替代离散化消融实验保持了预测性能，支持 KBTA 作为临床命名归因基底而非准确性前提的作用。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2608.29901 [cs.LG] |
| （或 arXiv:2608.29901v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.29901 由 DataCite 提供的 arXiv 颁发 DOI |
提交历史
来自：Shahar Oded [查看电子邮件]
[v1]
2026年8月30日星期日 16:52:34 UTC（861 KB）
[v2]
2026年10月15日星期四 08:52:44 UTC（1,040 KB）
来源：arXiv cs.AI · arxiv.org