马连韬 张超贺 焦贤锋 王亚沙 唐 雯 赵俊峰

1(高可信软件技术教育部重点实验室(北京大学) 北京 100871) 2(北京大学信息科学技术学院 北京 100871) 3(北京大学软件工程国家工程中心 北京 100871) 4(北京大学第三医院肾内科 北京 100191)

我国医疗服务领域存在明显供需矛盾.一方面，随人口老龄化加速、慢病增多、健康意识增强，人民对健康医疗服务的需求快速增长；另一方面，医疗服务供给总量不足，医疗资源分布不均.以重症监护预后为例，随着疾病的进展，患者病情会发生变化，死亡风险也会随之变化，在变化的不同阶段都需要医护人员及时的跟进治疗.现如今，由于缺乏这类有经验的医护人员，很多临床死亡风险高的患者在早期未被及时识别并处理.

近年来，现代卫生系统推进了医疗病历记录信息化的建设，在医疗机构中存储了大量的医疗电子病历(electronic medical record, EMR)[1].其中结构化多变量时间序列数据是一种重要且在医疗领域广泛记录的数据类型，蕴含巨大价值有待分析[2-5].对医疗多变量时序数据进行分析挖掘，可以辅助医生对患者进行疾病快速诊断筛查，降低误诊率，提升医疗效率，为提前医疗干预带来机会，发现人类医学专家尚未意识到的医学知识.

随着计算机硬件设备算力的提升，深度学习模型逐渐成为多变量时间序列数据分析的主流技术，并被广泛应用于解决以下问题：死亡预测[6]、患病预测[7]、再入院预测[8]、患者相似性分析[9]、治疗方案分析[10]、临床路径分析……