Learning Dynamic Representations and Policies from Multimodal Clinical Time-Series with Informative Missingness
利用信息性缺失学习多模态临床时间序列的动态表征与策略AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主要涉及临床表征学习与离线策略评估，未提供足以对应所列计量细分方向的明确方法依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用信息性缺失学习多模态临床时间序列的动态表征与策略
- 研究问题
- 临床测量和记录是否出现本身包含患者状态信息时，如何结合不同模态的观察过程，改善状态表征、离线治疗策略与结局预测？
- 方法与思路
- 作者结合多模态编码器、贝叶斯滤波与下游策略学习模块，将结构化测量、临床文本及其观察模式共同用于动态患者状态估计。
- 材料陈述的贡献
- 摘要称，该框架在三个 ICU 脓毒症队列中改善离线策略学习与不良结局预测，并报告 MIMIC-III 上的策略评估和预测指标。
- 阅读关注点
- 应核对信息性缺失的处理机制、潜在状态更新方式、队列划分，以及离线策略评估和结局预测是否存在信息泄漏。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未说明策略评估的识别条件，离线指标不能直接证明临床实施效果。
原文摘要
Multimodal clinical records contain structured measurements and clinical notes recorded over time, offering rich temporal information about the evolution of patient health. Yet these observations are sparse, and whether they are recorded depends on the patient's latent condition. Observation patterns also differ across modalities, as structured measurements and clinical notes arise under distinct recording processes. While prior work has developed methods that accommodate missingness in clinical time series, how to extract and use the information carried by the observation process itself remains underexplored. We therefore propose a patient representation learning framework for multimodal clinical time series that explicitly leverages informative missingness. The framework combines (1) a multimodal encoder that captures signals from structured and textual data together with their observation patterns, (2) a Bayesian filtering module that updates a latent patient state over time from observed multimodal signals, and (3) downstream modules for offline treatment policy learning and patient outcome prediction based on the learned patient state. We evaluate the framework on ICU sepsis cohorts from MIMIC-III, MIMIC-IV, and eICU. It improves both offline treatment policy learning and adverse outcome prediction, achieving FQE 0.679 versus 0.528 for clinician behavior and AUROC 0.886 for post-72-hour mortality prediction on MIMIC-III.