HealthFormer: Dual-level time-aware Transformers for irregular electronic health record events
Das Paper stellt HealthFormer vor, einen dual-level Transformer, der durch die explizite Modellierung unregelmäßiger zeitlicher Abstände und die Aggregation heterogener klinischer Codes auf einer großen ungarischen Kohorte patientenbezogene Repräsentationen lernt, die sich durch Self-Supervised Pretraining für die Vorhersage von Krebsinzidenzen ohne aufgabenspezifisches Feature-Engineering effektiv verfeinern lassen.