BriefGPT - AI 论文速递
·
可学习的提示作为伪填充：重新评估传统电子病历数据填充在下游临床预测中的必要性
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了一种基于电子健康记录（EHR）的健康状况分析方法，使用Learnable Prompt as Pseudo Imputation（PAI）作为新的训练协议来提高模型性能。实验结果显示，PAI在数据不足和高缺失率的情况下表现出更高的鲁棒性，并且在跨机构数据的真实应用中展现了更强的模型泛化能力。
🎯
关键要点
-
基于电子健康记录（EHR）分析患者健康状况是医学信息学中的基础研究问题。
-
现有深度学习训练协议依赖统计信息或填补模型来重构缺失值，限制了模型性能。
-
引入Learnable Prompt as Pseudo Imputation（PAI）作为新的训练协议，通过可学习的提示模拟模型对缺失值的隐含偏好。
-
PAI显著提高了所有EHR分析模型的性能。
-
实验结果显示，PAI在数据不足和高缺失率情况下表现出更高的鲁棒性。
-
在跨机构数据的真实应用中，PAI展现了更强的模型泛化能力，特别是对非重叠特征。
➡️
