NOAH：学习完整患者旅程的纵向多模态时间感知表示与预测模型

研究者提出 NOAH，一个时间感知、任务无关的生成式 transformer 模型，用于表示和预测患者全流程多模态状态。模型基于 MIMIC 数据族中 29.9 万名患者、43.1 万次就诊、超过 5.59 亿条临床事件构建，原生处理医学图像、时间序列与数值信号、类别事件以及结构化和非结构化临床记录，支持带时间控制的自回归预测、零样本分类和反事实干预模拟。

已有纵向患者建模方法多为判别式，只覆盖少数模态，受限于封闭类别词表，并把时间当作单调归纳偏置，预测未来状态的能力有限。NOAH 转向生成式、任务无关路线，并把时间建模改为双向时间整合，试图覆盖不规则时间动态与临床轨迹的随机性。

模型用双向时间整合和变分隐空间来刻画患者状态的连续演化与临床轨迹随机性，从而把不同模态的事件统一编码为可生成的患者状态表示；生成式结构使同一模型可做自回归预测、零样本分类与反事实模拟，减少对特定任务标签和固定类别体系的依赖。

对医疗 AI 产品而言，这提供了以单一基础模型覆盖多模态临床数据的可能路径，可减少为每个预测任务单独训练模型的工作量，并让临床记录、影像和信号在同一表示空间中被复用；但真实部署仍需验证其在不同机构和数据合规场景下的表现。

• 基于 MIMIC 公开数据复现 NOAH 的零样本分类与预测能力，评估其相对任务专用模型的差距与成本。
• 在自有临床数据上测试双向时间整合对不规则采样和缺失模态的鲁棒性，形成可验证的内部基准。
• 探索把反事实干预模拟包装为面向临床研究的产品功能，用于假设检验而非直接临床决策。

• NOAH 在 MIMIC 之外的真实医院数据上泛化能力如何，尚未被证据确认。
• 零样本分类与反事实干预模拟的具体评测指标和对照基线未在证据中给出。
• 模型规模、训练成本和推理延迟是否适合实际产品部署，证据不足。
• 生成式患者状态表示在隐私、合规与临床责任方面如何处理，尚未说明。