摘要
能够在事件发生前进行预测且误报率较低的模型对于医疗界接受决策支持系统至关重要。这一具有挑战性的任务通常被视为简单的二分类问题，忽略了样本之间的时间依赖性，而我们提出的方法则是利用这种结构。首先，我们引入了一个统一动态生存分析和早期事件预测的共同理论框架。通过对两个领域目标的分析，我们提出了时间标签平滑（Temporal Label Smoothing, TLS），这是一种更为简单但性能最佳的方法，能够保持时间上的预测单调性。通过将目标集中在预测信号更强的区域，TLS在两个大规模基准任务上超越了所有基线方法的表现。特别是在临床相关的指标上，如低误报率下的事件召回率，TLS的表现尤为显著。与之前用于早期事件预测的方法相比，TLS最多可以将错失事件的数量减少一半。