用于可转移哮喘风险预测的校准优先跨队列多模态时间学习

arXiv：2609.35795v1 公告类型：新 摘要：当患者群体、传感器生态系统和可用模式在不同人群中发生变化时，哮喘恶化预测必须保持可靠。现有模型通常会优化队列内歧视，并且可能会在转移后产生校准不佳的概率。我们提出了 CALIBRA，一种校准优先的多模态时间框架，用于不完整数据的短期风险预测。专用循环编码器处理环境、肺部、症状、药物、可穿戴设备和上下文流；可靠性条件门抑制陈旧或缺失的模式，而梯度反转训练则阻止可避免的队列特征。基于收缩的分层逻辑层使用患者不相交的目标子集来校准概率，并且分割共形预测提供了能够放弃的预测集。为了避免捏造临床证据，我们评估了记录的三队列半合成基准的完整实施，具有受控的分布变化、信息缺失和密封的目标患者。在五个配置的种子中，CALIBRA 实现了平均目标测试 AUPRC 0.224，而最强的非消融比较器 TemporalTransformer 的平均目标测试 AUPRC 为 0.240；平均 AUROC 为 0.717，Brier 评分为 0.098。实验还评估完整模态故障、校准、保形覆盖、决策曲线、子组行为、消融、运行时间和参数计数。结果验证了该方法和受控转移下的可重复性管道，但未确立临床有效性。对统一真实哮喘的外部验证。总的来说，这个工件为仔细管理的真实队列验证提供了证据。