Contrastive Learning on Multimodal Analysis of Electronic Health Records
电子健康记录多模态分析中的对比学习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。
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：摘要研究医疗数据的通用表示学习，未明确对应所列经济计量领域细分。
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…
电子健康记录多模态分析中的对比学习
- 研究问题
- 如何联合利用结构化临床编码与非结构化临床笔记的互补信息，并为电子健康记录的多模态表示学习建立理论依据？
- 方法与思路
- 作者提出多模态特征嵌入生成模型及对比损失，将损失解与逐点互信息矩阵的奇异值分解联系起来，进而设计隐私保护算法。
- 材料陈述的贡献
- 摘要称，理论分析支持多模态学习相对单模态学习的有效性，并通过多种模拟配置及真实电子健康记录验证算法表现。
- 阅读关注点
- 应核对生成模型假设、对比损失与奇异值分解联系的条件，以及隐私保护机制、比较基准和临床效用评估。
- 阅读边界
- 仅据所给 OpenAlex 摘要；未说明理论比较的适用条件、隐私保护强度及具体性能数值，不能推广为普遍优势。
原文摘要
Electronic health record (EHR) systems capture a wealth of multimodal clinical data, encompassing both structured clinical codes and unstructured clinical notes. Yet, many EHR-focused studies have traditionally examined these modalities in isolation or combined them using simplistic methods, overlooking the intrinsic synergy between them. In reality, these modalities are deeply interconnected, each containing clinically relevant and complementary information that, when integrated effectively, can provide a more comprehensive understanding of patient health. Despite the success of multimodal contrastive learning in vision-language applications, its potential remains under-explored in multimodal EHR, particularly in terms of theoretical understanding. To support statistical analysis of multimodal EHR data, we propose a multimodal feature embedding generative model and design a multimodal contrastive loss to learn EHR feature representations. Our theoretical analysis demonstrates the effectiveness of multimodal learning over single-modality learning and connects the solution of the loss function to the singular value decomposition of a pointwise mutual information matrix. This connection leads to a privacy-preserving algorithm tailored for multimodal EHR representation learning. Simulation studies show that the proposed algorithm performs well under a variety of configurations. We further validate its clinical utility using real-world EHR data.