EHR 시계열 데이터에서 이벤트의 시간적 중요성을 파악하기 위한 Time-to-Event Transformer

Time-to-Event Transformer to Capture Timing Attention of Events in EHR Time Series

대규모 시계열 데이터에서 개인 맞춤형 순차적 이벤트를 자동으로 발견하는 것은 임상 연구에서 정밀 의료를 가능하게 하는 데 매우 중요하지만, 현대 AI 모델에게도 여전히 어려운 과제입니다. 예를 들어, 트랜스포머는 풍부한 연관성을 포착하지만, 주로 이벤트의 시간과 순서에 무관하며, 따라서 잠재적인 인과 관계 추론을 놓칠 수 있습니다. 직관적으로, 우리는 환자별 경로 간의 '정렬 정도'를 평가하고, 일관된 순서에서 중요한 이벤트인 공유 패턴을 식별할 수 있는 방법이 필요합니다. 이는 시간을 진정한 의미의 '계산 가능한' 차원으로 취급하여, 모델이 관찰된 실제 시간 외에 후보 이벤트에 '상대적 타임스탬프'를 할당할 수 있도록 하는 것을 의미합니다. 본 연구에서는 LITT라는 새로운 Timing-Transformer 아키텍처를 소개합니다. LITT는 순차적 이벤트를 가상 '상대적 타임라인'에서 일시적으로 정렬하여, '이벤트-시간-중심' 주의 메커니즘을 활성화하고 임상 경로의 개인 맞춤형 해석을 가능하게 합니다. LITT의 해석 가능성과 효과는 3,276명의 유방암 환자의 실제 장기 EHR 데이터를 사용하여 심장 독성으로 인한 심장 질환 발생 시점을 예측하는 데 대해 검증되었습니다. 또한, LITT는 공개 데이터 세트에서 기존의 벤치마크 및 최첨단 생존 분석 방법보다 우수한 성능을 보여주며, 임상 AI 분야에서 정밀 의료를 위한 중요한 진전을 나타냅니다.

Automatically discovering personalized sequential events from large-scale time-series data is crucial for enabling precision medicine in clinical research, yet it remains a formidable challenge even for contemporary AI models. For example, while transformers capture rich associations, they are mostly agnostic to event timing and ordering, thereby bypassing potential causal reasoning. Intuitively, we need a method capable of evaluating the "degree of alignment" among patient-specific trajectories and identifying their shared patterns, i.e., the significant events in a consistent sequence. This necessitates treating timing as a true \emph{computable} dimension, allowing models to assign ``relative timestamps'' to candidate events beyond their observed physical times. In this work, we introduce LITT, a novel Timing-Transformer architecture that enables temporary alignment of sequential events on a virtual ``relative timeline'', thereby enabling \emph{event-timing-focused attention} and personalized interpretations of clinical trajectories. Its interpretability and effectiveness are validated on real-world longitudinal EHR data from 3,276 breast cancer patients to predict the onset timing of cardiotoxicity-induced heart disease. Furthermore, LITT outperforms both the benchmark and state-of-the-art survival analysis methods on public datasets, positioning it as a significant step forward for precision medicine in clinical AI.