# Risk Horizons: Structured Hypothesis Spaces for Longitudinal Clinical Prediction

### 저자

Zhan Qu, Michael Farber

### 💡 개요

본 연구는 전자의무기록(EHR) 데이터로부터 미래의 임상 사건을 예측하는 데 있어 발생하는 문제, 즉 희소한 관측치 하에서 방대하고 구조화된 사건 공간에서 타당한 결과를 선택하는 어려움을 해결하고자 합니다. 이를 위해 제안된 "Risk Horizons" 프레임워크는 환자별 후보 공간을 구축하여 다중 모달(multi-modal) 차기 방문 예측을 수행합니다. 제안된 방법은 결정론적 코딩 계층 구조와 데이터 기반의 지연된 상호 모달 연관성을 결합하고, 임상 그래프를 쌍곡선 공간에 임베딩하며, 방향성 위험 원뿔을 사용하여 미래 후보를 검색합니다.

### 🔑 시사점 및 한계

- 방대하고 구조화된 임상 사건 공간에서 환자별 맞춤형 후보 집합을 효율적으로 구성하여 예측 성능을 향상시킬 수 있습니다.

- 쌍곡선 공간 임베딩과 방향성 위험 원뿔을 활용한 후보 검색 방식은 예측의 일관성(진단, 시술, 약물 등)을 개선하는 핵심 동인으로 작용합니다.

- 대규모 언어 모델(LLM)은 임상적으로 근거 있는 후보 집합에 대한 추론 시점 재랭킹(reranking)에 효과적일 수 있습니다.

- 쌍곡선 공간의 해석 가능성 및 실제 임상 환경에서의 확장성에 대한 추가적인 연구가 필요합니다.

[PDF 보기](https://arxiv.org/pdf/2602.12828)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).