SMART: Towards Pre-trained Missing-Aware Model for Patient Health Status Prediction

电子健康记录（EHR）数据已成为分析患者健康状况的宝贵资源。然而，EHR中缺失数据的普遍存在给现有方法带来了重大挑战，导致虚假相关性和次优预测。尽管已经开发出各种填补技术来解决这个问题，但它们经常过于关注不必要的细节，并可能在进行临床预测时引入额外的噪声。为了解决这个问题，我们提出了SMART，一种自我监督的缺失感知表示学习方法，用于患者健康状况预测，该方法通过详细的注意力机制对缺失信息进行编码，并通过一种新颖的自我监督预训练方法在潜在空间中重构缺失数据表示来学习填补缺失值。通过采用缺失感知的注意力机制并专注于学习高阶表示，SMART促进了更好的泛化和对缺失数据的鲁棒性。我们通过对六个EHR任务进行广泛的实验验证了SMART的有效性，并证明其优于现有最先进的方法。

论文旨在解决电子健康记录（EHR）中缺失数据对于患者健康状态预测的影响问题，提出了SMART方法来更好地处理缺失数据，以提高预测的准确性和鲁棒性。

SMART方法采用自监督的预训练方法，通过缺失感知机制和高阶表示学习来编码和填充缺失数据，以提高预测的鲁棒性和泛化能力。

论文在六个EHR任务上进行了广泛的实验验证，证明SMART方法相比于现有的方法具有更好的预测性能。论文还提供了数据集和开源代码，为后续研究提供了便利。

近年来，关于EHR数据处理和预测的研究不断涌现，例如“DeepEHR: A Survey of Recent Advances in Deep Learning Techniques for Electronic Health Record (EHR) Analysis”和“Missing Data Imputation in Electronic Health Records Using Generative Adversarial Networks”。