论文解读 · 2026年10月22日

TRACE：追踪多模态临床轨迹，预测住院患者风险

TRACE: Tracking Multimodal Clinical Trajectories for Inpatient Risk Prediction

将住院期间的 EHR、胸部 X 光片、影像报告和出院小结整理成以天为单位的轨迹，并用反映时间顺序的注意力进行编码，在三个数据集和三项预测任务上均取得了最高的 AUROC。

问题

住院期间患者状态随时间变化，检验、用药、影像、记录等异构数据不规则地累积。现有的多模态风险预测研究主要关注模态融合或缺失模态补全，相对较少探讨住院过程中证据如何随时间变化。

方法

人口统计、诊断信息等不随时间变化的上下文被构建为 global token，当天的 EHR 事件、胸部 X 光片、影像报告和出院小结则构建为对应日期的 local token。每项输入用冻结的医学视觉编码器和临床语言编码器编码，并加上模态嵌入和日期嵌入。没有记录的模态不生成 token，因此无需另行填补。TGL 注意力掩码让 global token 始终可被参照，而 local token 只能看到同一天或之前日期的内容。在预测损失之外，还加入了对比学习，并同时利用结局标签和基于诊断的表型来确定 positive 对。

结果

在 MIMIC-IV、eICU、MIMIC-III 约 18 万条住院和 ICU 记录上预测院内死亡、长期住院和 30 天再入院。在全部 9 个数据集—任务组合中取得最高 AUROC，在其中 8 个组合中取得最高 ACC。
对比对象包括以融合为核心、基于图与关系、以及应对缺失模态的基线方法（MultimodalPred、AdaCoMed、MM-STGNN、M3Care、MUSE 等）。
在 MIMIC-IV 消融实验中，TGL 掩码在三项任务上的 AUROC 均高于其他掩码设计。
作者报告称，基于表型的对比学习在全部 9 个组合中都提高了各表型的平均 AUROC。

局限

仅使用公开的回顾性数据（MIMIC、eICU）进行评估，没有前瞻性临床验证。在所查阅的正文范围内，看不到具体的 AUROC 数值以及与基线差距的大小。按天聚合会丢失一天之内的细粒度时间信息，且编码器以冻结状态使用。

意义

临床数据本身就不完整、不规则，因此与其强行补全缺失模态，只按时间顺序使用已记录内容的设计可能更贴合实际应用。能够显示哪一天、哪种模态改变了风险水平的可解释功能，对临床决策支持很有用。

关键术语

EHR（电子健康记录）: 保存在医院信息系统中的结构化患者记录，包括检验数值、处方、处置、诊断编码等。
Temporal Global–Local attention: 一种注意力掩码：不随时间变化的患者信息始终可被参照，而按日期的事件只能看到同一天或过去的内容。
监督对比学习（Supervised contrastive learning）: 一种学习方法：让具有相同标签（此处为结局+表型）的样本表示彼此靠近，不同样本的表示彼此远离。
AUROC: 衡量二分类器区分阳性和阴性能力的指标，与阈值无关，取值范围为 0.5~1。

原文

作者: Minjun Kim, Jong Hak Moon · 发布 2026-10-19 · 许可 CC BY-NC-SA 4.0 · 基于全文分析

本解读是 AI 阅读论文后撰写的摘要，请以论文原文为准。