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。发表于：。基于电子健康记录（EHR）分析患者的健康状况是医学信息学中的一个基础研究问题。现有的深度学习训练协议需要使用统计信息或填补模型来重构缺失值，但是这限制了模型性能。本文引入了 Learnable Prompt as Pseudo Imputation（PAI）作为一种新的训练协议，通过构建可学习的提示来模拟下游模型对缺失值的隐含偏好，从而显著提高所有 EHR...
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。
