摘要
从电子健康记录（EHRs）中预测疾病发展轨迹是一项复杂任务，主要面临数据非平稳性、医学编码粒度高以及多模态数据融合等重大挑战。EHRs既包含结构化数据（如诊断编码），也包含非结构化数据（如临床病历文本），而后者往往蕴含着被忽视的关键信息。当前主流模型主要依赖结构化数据，难以全面捕捉患者的完整医疗背景，导致重要信息的丢失。为解决这一问题，我们提出一种将非结构化临床文本整合至基于Transformer的深度学习模型中的方法，用于序列化疾病预测。该方法通过融合临床笔记，丰富了患者医疗史的表征能力，从而显著提升诊断预测的准确性。在MIMIC-IV数据集上的实验结果表明，所提出的方法在性能上优于仅依赖结构化数据的传统模型。