في عالم الرعاية الصحية، تعتبر دقة تقييم المرضى في وحدات العناية المركزة (ICUs) أمرًا حيويًا لضمان التدخل السريري في الوقت المناسب وتحسين نتائج المرضى. تقدم السجلات الصحية الإلكترونية المتعددة المعطيات (EHRs)، التي تحتوي على بيانات فيزيولوجية منظمة وملاحظات سريرية طويلة الأمد، معلومات مكملة تساهم في التنبؤ بالرعاية الحرجة.

ومع ذلك، قد يواجه الأطباء تحديًا كبيرًا في حال كانت بعض المعطيات مفقودة أو غير متاحة. من هنا، يُقدم الباحثون إطارًا مبتكرًا للتعلم في بيئة الرعاية الحرجة، يهدف إلى تحقيق توقعات سريرية قوية حتى في السيناريوهات التي تعاني من نقص المعطيات.

يعتمد هذا الإطار على أربعة أنواع تكاملية من المحفزات:

1. **المحفزات التوليدية**: تعمل على بناء تمثيلات ك latent بديلة للمعطيات غير المتاحة.
2. **المحفزات لاشارة المفقودة**: تُميز بين التمثيلات الملاحظة وتلك التي تم توليدها.
3. **المحفزات غير النوعية**: تعمل على ضبط النموذج وفقًا لإعدادات توفر المعطيات المختلفة.
4. **المحفزات الزمنية**: تُجري تجميعًا يعتمد على نوع الحالة عبر التسلسلات السريرية المشفرة زمنيًا.

تأخذ هذه المحفزات معًا في الاعتبار الاعتمادات بين المعطيات المختلفة وتعزز التفاعلات ضمن هيكل موحد. أظهرت التجارب الواسعة أن أسلوبنا يتفوق على الأساليب الحالية في قياسات التقييم عبر سيناريهات نقص المعلومات. وتظهر تحليلات الاستبعاد والموثوقية فعالية الإطار المقترح في تعزيز التنبؤات السريرية باستخدام بيانات سجلات صحية متعددة المعطيات غير مكتملة.

باختصار، يمثل هذا الاقتراح تطورًا هائلًا في كيفية تحسين الرعاية الصحية، ويمهد الطريق لتطبيقات مستقبلية تسهم في رفع مستوى الرعاية الطبية للمرضى في وحدات العناية المركزة.