STDP启发模型提升临床风险预测

电子健康记录（EHR）预测模型通常将纵向病史汇总为静态特征，可能丢失事件顺序信息。本研究受尖峰时序依赖性可塑性（STDP）启发，提出一种新框架，将异步EHR数据编码为稀疏、定向的转换特征，保留事件身份、方向性和近似时间，同时保持特征可解释性。

在两项具有不同时间尺度的回顾性预测任务中——急性肾损伤（AKI）和败血症——该模型优于基于汇总特征的逻辑回归、LSTM及Transformer等基线方法。值得注意的是，AKI任务中AUC提升达15个百分点，且特征可视化揭示了临床相关的事件序列模式。

研究显示，STDP特征在预测准确性上表现更佳，且无需复杂模型；支持向量机结合该特征即可取得优异结果。目前该研究尚为预印本，未经同行评审。