TRACE: Tracking Multimodal Clinical Trajectories for Inpatient Risk Prediction

📄 arXiv: 2610.25765v1 📥 PDF

作者: Minjun Kim, Jong Hak Moon

分类: cs.AI

发布日期: 2026-10-19

备注: 14 pages, 4 figures

💡 一句话要点

提出TRACE以解决住院患者风险预测中的多模态临床轨迹建模问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多模态临床数据 风险预测 时间轨迹建模 对比学习 电子健康记录 临床事件

📋 核心要点

  1. 现有的多模态方法在住院患者风险预测中主要集中于模态融合，缺乏对时间轨迹的有效建模。
  2. TRACE通过将临床事件组织为日级轨迹，利用时间注意力机制和对比学习来增强模型的预测能力。
  3. 在多个数据集上，TRACE在死亡率、住院时间和再入院预测中均取得了最高的AUROC和ACC，显著优于基线模型。

📝 摘要（中文）

准确的住院患者风险预测需要对不规则时间内积累的异构临床证据进行建模。现有的多模态方法主要关注模态融合或缺失模态补偿，忽视了住院期间的时间轨迹。本文提出TRACE（多模态临床事件轨迹建模），该框架将临床事件组织为日级轨迹，分离日不变的全局上下文与日特定的局部事件。通过时间注意力机制编码轨迹，使得不可用模态不发出标记。通过对比学习目标，进一步组织异质疾病分布下的住院数据。在MIMIC-IV、eICU和MIMIC-III的近180,000个住院病例中，TRACE在死亡率、住院时间和再入院预测上表现优异，超越了基线模型。

🔬 方法详解

问题定义：本文旨在解决住院患者风险预测中对异构临床证据的建模问题，现有方法在时间轨迹建模上存在不足，无法有效处理模态缺失和时间不一致性。

核心思路：TRACE的核心思路是将临床事件按天组织成轨迹，利用时间注意力机制分离全局上下文与局部事件，从而提高模型对时间变化的敏感性。

技术框架：TRACE框架包括数据预处理、轨迹构建、时间注意力编码和对比学习四个主要模块。首先，从电子健康记录（EHR）、胸部X光、放射学报告和出院总结中提取临床事件，然后构建日级轨迹。

关键创新：TRACE的主要创新在于其日级轨迹建模和时间注意力机制的结合，使得不可用模态不会影响模型输出，显著提高了预测的准确性。

关键设计：TRACE采用了对比学习目标来组织异质疾病分布下的住院数据，设计了特定的损失函数以优化轨迹的表示，并通过注意力掩码来处理模态缺失问题。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

TRACE在MIMIC-IV、eICU和MIMIC-III数据集上表现卓越，在九个数据集任务设置中均取得最高AUROC，并在八个设置中获得最高ACC，相较于基线模型有显著提升，验证了其有效性。

🎯 应用场景

该研究在临床风险预测领域具有广泛的应用潜力，能够帮助医院更准确地识别高风险患者，从而优化资源配置和提高患者护理质量。未来，TRACE可能会被扩展到其他医疗场景，如慢性病管理和个性化治疗方案制定。

📄 摘要（原文）

Accurate inpatient risk prediction requires modeling heterogeneous clinical evidence that accumulates irregularly over time. This challenge spans in-hospital mortality, prolonged length of stay, and readmission, each with task-specific observation windows. Existing multimodal approaches combine structured health record data, chest x-rays, and clinical text, but primarily focus on modality fusion or missing-modality compensation, with limited attention to temporal trajectories over an admission. We propose TRACE (TRAjectory modeling of multimodal Clinical Events), a daily-scale framework organizing clinical events into day-level trajectories, separating day-invariant global context from day-specific local events drawn from EHR data, chest x-rays, radiology reports, and discharge summaries. The trajectory is encoded using temporal attention, allowing unavailable modalities to emit no tokens. A phenotype-guided contrastive objective further organizes admissions under heterogeneous disease distributions. Across cohorts from MIMIC-IV, eICU, and MIMIC-III comprising nearly 180,000 total stays, we evaluate TRACE on mortality, length of stay, and readmission prediction. TRACE achieves the highest AUROC across all nine dataset-task settings and the highest ACC in eight, outperforming baselines. Ablation studies validate our attention masks and contrastive learning, while trajectory-level attribution localizes risk-associated hospital days and modalities.