研究人员开发了PORTER，一种新颖的、用于电子健康记录（EHR）的语言驱动基础模型，它超越了固定词汇的限制。与难以处理未见概念或数值的传统模型不同，PORTER通过事件描述来表示事件，并通过专用通道整合数值数据。这种方法无需重新训练即可在不同机构和部署管道之间实现更好的可迁移性。在评估中，PORTER在74个预测任务上的表现与现有模型相当，并且在迁移到MIMIC数据集时，其表现显著优于固定词汇模型，展示了其进行词汇无关的EHR分析的潜力。 AI
影响 实现更灵活、可迁移的电子健康记录分析，减少词汇统一的需求，并提高跨任务复用性。
排序理由 该集群包含一篇详细介绍新模型及其性能的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.24102v1 Announce Type: new Abstract: Most electronic health record (EHR) foundation models encode clinical events as discrete event tokens from a fixed vocabulary and therefore cannot directly represent events containing unseen concepts or new combinations of concepts …
Most electronic health record (EHR) foundation models encode clinical events as discrete event tokens from a fixed vocabulary and therefore cannot directly represent events containing unseen concepts or new combinations of concepts and attributes such as numeric values. This limi…