§论文2026年8月23日 4:29

可解释的Transformer模型用于结构化电子健康记录上的临床预测任务

为什么重要该研究将实验室值表示与可解释性统一于一个框架，为EHR基础模型提供方法论补充，有助于临床预测的可靠性和临床采纳。

摘要显示，研究者提出BERT-LER模型，一种基于BERT架构的模型，用于编码电子健康记录（EHR）时间线。该模型在包含7500万患者的去标识化EHR数据集上预训练和微调，将实验室检测结果编码为离散令牌，并通过基于百分位的分箱保留分级信息，结合集成梯度方法提供令牌级归因。在EHRShot基准和哮喘严重程度进展研究中，BERT-LER在预测性能上与公开基准模型竞争，在实验室相关任务上常超越它们，且归因与临床已知风险因素一致。

Explainable Transformer Models for Clinical Prediction Tasks on Structured Electronic Health Records

Transformer电子健康记录可解释性临床预测实验室值

BERT-LEREHRShotIntegrated Gradients

阅读原文

英文摘要

The authors propose BERT-LER, a BERT-style model for coded EHR timelines that encodes lab results as discrete tokens with percentile-based binning, using Integrated Gradients for explainability. It achieves competitive predictive performance on EHRShot and asthma tasks, often exceeding benchmarks on lab-related tasks, with attributions aligned with clinical risk factors.