NOAH: 전체 환자 여정 학습. 표현 및 예측을 위한 종단적 다중모달 시간 인식 모델

초록

의료의 디지털화는 평생에 걸친 방대하고 종단적이며 다중모달적인 환자 기록을 생성해 왔지만, 이러한 데이터를 충분히 활용하여 환자 상태 궤적을 표현하고 예측하는 것은 여전히 중요한 과제로 남아 있다. 현재의 AI 모델은 실제 세계의 다중모달 환자 데이터가 지닌 복잡하고 불규칙한 시간적 동역학과 내재적 확률성을 포착하는 데 종종 어려움을 겪는다. 종단적 환자 기록을 모델링하기 위한 기존 AI 접근법은 대부분 판별적이며, 소수의 모달리티에 국한되고, 닫힌 범주형 어휘에 의해 제약받거나, 시간을 단조적 귀납 편향으로 취급하거나, 미래 환자 상태 예측에 한계가 있다. 우리는 전체 다중모달 환자 여정을 표현하고 예측하는 시간 인식형, 과제 불가지론적, 생성적 트랜스포머 모델인 NOAH를 소개한다. NOAH는 환자 상태의 연속적 진화와 임상 궤적의 확률성을 포착하기 위한 새로운 양방향 시간 통합과 변분 잠재 공간을 특징으로 한다. MIMIC 데이터셋 패밀리 전반에 걸친 299,000명 환자의 431,000건 병원 방문에서 얻은 5억 5,900만 건 이상의 임상 이벤트로 구축된 NOAH는 의료 영상, 시계열 및 수치 신호, 범주형 이벤트, 구조화 및 비구조화 임상 기록을 기본적으로 처리한다. NOAH는 해당 분야 최초의 진정한 총체적 생성 모델로, 선택적 시간 제어를 통한 자기회귀 예측, 제로샷 분류, 반사실적 개입 시뮬레이션을 가능하게 한다. 이는 임상 결과, 15개 ICD 장, 29개 동반질환에 대한 프로빙과 사건 발생 시간 예측에서 강력한 성능을 입증하는, 매우 정보가 풍부하고 예측력 있는 환자 상태 표현을 생성한다. 다양한 모달리티와 복잡한 시간적 동역학을 원활하게 처리하는 NOAH는 맞춤형 임상 치료와 디지털 의학에서 지능형 예측 시스템을 위한 다재다능하고 과제 불가지론적이며 확장 가능한 기반을 제공한다.

English

The digitization of healthcare has generated vast, longitudinal, and multimodal patient records over a lifetime, yet fully exploiting these data to represent and predict patient state trajectories remains a critical challenge. Current AI models often struggle to capture the complex, irregular temporal dynamics and inherent stochasticity of real-world multimodal patient data. Existing AI approaches for modeling longitudinal patient records are predominantly discriminative, limited to a few modalities, constrained by closed categorical vocabularies, treating time as a monotonic inductive bias, or they are limited in forecasting future patient states. We introduce NOAH, a time-aware, task-agnostic, generative transformer model representing and forecasting the full multimodal patient journey. NOAH features a novel bidirectional time integration and a variational latent space to capture the continuous evolution of patient states and the stochasticity of clinical trajectories. Built from over 559 million clinical events from 431,000 hospital visits of 299,000 patients across the MIMIC dataset family, NOAH natively processes medical images, time-series and numeric signals, categorical events, as well as structured and unstructured clinical records. NOAH is the first truly holistic generative model in its field, enabling autoregressive forecasting with optional time control, zero-shot classification, and counterfactual intervention simulation. It generates highly informative and predictive patient state representations that demonstrate strong performance in probing for clinical outcomes, 15 ICD chapters, and 29 comorbidities, as well as in time-to-event prediction. Seamlessly handling diverse modalities and complex temporal dynamics, NOAH provides a versatile, task-agnostic, scalable foundation for intelligent predictive systems in personalized clinical care and digital medicine.