Характеристики

Параметры: 714 880
Библиотека: pytorch
Опубликована: 13 авг 2026

Ссылки

m31-patient-timelines

Классификация таблицTable → label

Компактный трансформер для прогнозирования новых клинических диагнозов по последовательностям событий в электронных медицинских записях.

9скачиваний за 30 дней0лайковвеса обновлены14 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

M31 Patient Timelines — модель на основе трансформера EHRTransformer для прогнозирования впервые диагностируемых клинических состояний по продольным временным рядам событий пациента. Она предназначена для анализа последовательностей электронных медицинских записей и многометочной классификации по 40 состояниям.

Модель содержит 714,9 тыс. параметров, использует эмбеддинги размерности 128, три слоя трансформера и четыре головы внимания. Словарь включает 209 токенов клинических событий, максимальная длина последовательности составляет 512 событий. Модель обучена с нуля на синтетических данных EHR; внешние датасеты и предобученные веса не использовались. На отложенной валидационной выборке указаны macro-AUROC 0,6642, mAP 0,1344 и macro-F1 0,1380.

Модель подходит для исследовательской оценки прогнозирования клинических состояний по истории пациента, но приведённые метрики указывают на ограниченное качество многометочного предсказания. Обучение на синтетических данных ограничивает перенос результатов на реальные медицинские записи. Лицензия в предоставленных данных не указана.

Сценарии применения

прогнозирование новых клинических состояний по истории пациента
многометочная классификация пациентов по временным рядам EHR
исследование трансформеров для продольных медицинских записей

Ограничения

Модель обучена на синтетических EHR-данных, поэтому её переносимость на реальные медицинские записи не подтверждена. Валидационные показатели многометочной классификации невысоки; тестовые метки для независимой оценки недоступны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

M31 Patient Timelines

Transformer-based longitudinal EHR model for forecasting newly diagnosed clinical conditions from patient timelines.

Model

Architecture: EHRTransformer
Embedding dimension: 128
Transformer layers: 3
Attention heads: 4
Maximum sequence length: 512
Output: 40-condition multi-label prediction
Vocabulary: 209 clinical event tokens
Training: AdamW + Focal Loss with positive-class weighting
Early stopping based on validation macro-AUROC

The model was trained from scratch using the provided synthetic EHR dataset. No external datasets or pretrained weights were used.

Validation Performance

The following results are from the held-out validation cohort at the optimal early-stopping checkpoint (Epoch 20):

Metric	Validation
Macro AUROC	0.6642
mAP	0.1344
Macro F1	0.1380
Brier Score	0.1953

The test-set ground truth is withheld for independent scoring.

Code

Source code and reproducibility instructions:

https://github.com/zinahghul/m31-patient-timelines

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Табличные модели пока не поддерживаются.

Ревизия весов: 3016b3d