Longitudinal（纵向/时序纵向分析）指对同一对象在长时间跨度内反复采集数据、建模其随时间变化规律的方法，在医疗 AI 领域尤为重要——电子健康记录（EHR）、可穿戴设备监测和疾病进展预测都依赖纵向数据。近期研究热点集中在如何从纵向医疗数据中学到更好的表征、处理缺失模态，以及将时序模式用于疾病预警。
Longitudinal 建模的近期进展
在建模方法层面，多项工作探索了纵向 EHR 的表征学习。Block Diffusion for Longitudinal EHR: Accuracy, Efficiency, and Representation Trade-offs 研究了块扩散模型在纵向电子健康记录上的精度与效率权衡；Are Joint-Embedding Predictive Objectives Effective for Longitudinal EHRs? 则检验了联合嵌入预测目标在纵向场景下是否有效，反映出学界正在系统比较不同的自监督范式。
在临床预测层面，纵向数据的价值持续被验证。Theranica’s 53,000-Patient Study Proves 30-Day Longitudinal Patterns Predict Migraines with 91% Precision 报告了一项覆盖 53,000 名患者的研究，利用 30 天纵向模式实现次日偏头痛预测，精确率达 91%。Longitudinal actigraphy reveals healthy maturation of preterm infants in the neonatal intensive care unit 则通过纵向活动记录仪数据刻画早产儿在 NICU 中的健康发育轨迹。
在复杂场景建模上，MMAP: Multimodal Missing-Aware Pretraining for Longitudinal Alzheimer's Prediction 针对阿尔茨海默病预测中的多模态缺失问题提出缺失感知预训练；NOAH: Learning the Full Patient Journey 构建了时间感知的全患者旅程模型；LongAgent: History-Guided Agentic Search for Longitudinal Outcome Prediction 尝试将智能体检索引入纵向结局预测，是历史信息引导的智能体方法的早期探索。
当前焦点与观察点
从这些工作看，纵向建模的争议点主要有三：一是自监督目标的选择——扩散式生成方法与联合嵌入预测式方法的优劣尚无定论，实际取决于精度、效率和表征质量的权衡；二是数据缺失问题——真实医疗场景中多模态数据普遍不完整，缺失感知的预训练正成为标配设计；三是临床落地的验证标准——像 53,000 人、91% 精度这类大规模真实世界研究开始出现，但多数方法学论文仍停留在回顾性数据集评估，两者之间的证据差距是观察重点。
另一个值得注意的趋势是纵向分析与智能体、疾病轨迹发现等新范式的结合，例如从纵向 EHR 中挖掘疾病轨迹并做临床新颖性排序的双层框架。总体而言，纵向建模正从单病种、单模态走向全患者旅程式的多模态时序建模，但可解释性和前瞻性验证仍是其进入临床常规使用前必须补齐的环节。