临床预测+医学RAG=结构化EHR建模能力+医学大模型应用能力（四）

第六篇 机器学习 Baseline 模型构建6.1 数据划分策略：时间切分、患者级别划分防止泄漏6.1.1 泄漏是临床预测的头号杀手在进入模型训练之前，我们必须先严肃地讨论数据划分。与许多 Kaggle 竞赛不同，EHR 数据的泄漏（data leakage）风险远高于常规表格数据，因为数据天然存在时间结构和患者级别的相关性。最常见的两种泄漏：时间泄漏：未来信息混入训练集。例如，使用整个住院期间的数据来预测院内死亡，而训练集和测试集的划分没有按时间顺序，导致模型在训练时“见过”未来的病人。患者泄漏：同一位患者的多次住院/ICU停留被随机分到训练集和测试集。模型可能学习到患者特定的特征而非普适的病理模式，在评估时表现虚高。我们已经在第三篇队列定义中规定每位患者只取第一次 ICU 停留，所以患者泄漏已基本消除。但时间泄漏仍需要通过**时间切分（temporal split）**来防止。6.1.2 时间切分的具体操作思路：将数据按照索引事件（入 ICU 时间intime