本文提出TRACER模型——一种基于Transformer的对比事件表征，用于在低分辨率且不规则采样的远程监测数据中预测罕见住院事件的时间线。模型为每个生物标志物引入时间感知嵌入，利用对比预训练提升异常检测能力，并通过独立的二分类器实现事件检测。
我们使用276例心衰患者的远程记录生物标志物序列，将其按时间规则切分为重叠窗口，并依据窗口末端是否出现心衰相关住院进行标注。实验表明，在高度不平衡的真实数据集上，TRACER能够以66.7%的准确率预测住院前的时间线，过估率为7.9%。将TRACER的训练重新表述为事件检测问题，相比直接对预测窗口训练显著提升了性能，充分利用了有限的住院事件。
与其他对照模型相比，TRACER在检测恶化征兆方面表现更佳，展示了在实际远程监测中生成预警、指导干预的潜力。点评