LongAgent: History-Guided Agentic Search for Longitudinal Outcome Prediction· LongAgent: 基于历史的代理搜索预测长期结果
Extracting informative representations from longitudinal data that can predict future outcomes remains a critical challenge in medicine. Medical datasets are inherently heterogeneous, consisting of a large number of variables collected from different sources, sampled with different temporal spacings, and representing different aspects of human health status. This requires identifying those variables with predictive value, processing longitudinal information, and integrating multiple variables for outcome prediction. Here, we propose a novel agent-based approach, LongAgent, that can autonomously search over combinations of variable sets, temporal windows and longitudinal aggregation functions, and identify candidates with promising predictive performance. LongAgent utilises a history memory
LongAgent 利用历史记忆自主搜索变量组合，以预测医学数据中的长期结果。
- 核心方法
- LongAgent 采用基于代理的搜索方法，结合历史记忆，搜索最佳的变量集、时间窗口和纵向聚合函数。
- 适合谁读
- 研究者 / 工程师 / 产品
- 要解决的问题
- 如何从医学纵向数据中提取有预测价值的变量，以准确预测未来结果。
- 关键实验
- 在多个医疗数据集上进行实验，验证了 LongAgent 的有效性和预测性能。
- 主要贡献
- 提出了一种新的基于代理的方法 LongAgent，能够自主优化预测模型的变量组合和时间参数。
- 意义与局限
- 该方法为处理医学纵向数据提供了新的视角，但需进一步验证其在更多数据集和实际应用中的表现。