INTERVenE：以时间抽象区间为输入的Transformer用于ICU医疗事件预测

Shahar Oded 与 Yuval Shahar 在 arXiv 论文（arXiv:2608.29901v2）中提出 INTERVenE，一组以知识驱动时间抽象（KBTA）为输入的 Transformer 架构，用于重症监护短期医疗事件预测，输入为来自医学本体的具名临床概念（状态、趋势、事件、背景）的区间化 token 流，而非未命名的分箱索引或原始测量三元组，支持逐步风险读出或联合预测风险与事件时间。 在 57,078 例 MIMIC-IV 入院记录上，作者报告 INTERVenE-Enc 优于 GRU-D、STraTS 和 KarmaLego，支持加权 AUPRC 达 0.672，比最强神经基线高 0.046，且 95% bootstrap 置信区间不重叠。消融实验显示换用另一种离散化方式仍保持预测性能，作者称这表明 KBTA 的作用主要是提供具名临床概念的归因基底，而非精度的必要条件。

AI 根据报道生成 · 1 天前更新