從異常值到異常軌跡：多器官時間序列與早期疾病預警

From Abnormal Values to Abnormal Trajectories

作者：Neo.K
機構：EveMissLab（一言諾科技有限公司）
系列：資訊優先體內智能與自適應微納系統系列 — Paper 08
版本：Version 1.0 — First Public Edition
日期：2026 年 8 月

摘要

傳統異常判定：

x(t)>\theta

主要回答「現在是否越界」。本文提出 Multiscale Disease Trajectory Warning Framework（MDTW），把疾病預警擴展為長期漂移、速度、加速度、變點、跨模態耦合、恢復失敗與多時間尺度風險。

核心區分：

\boxed{ PreclinicalSignal\neq RiskPrediction\neq EarlyDetection\neq ActionableWarning\neq ImprovedOutcome }

1. 值與軌跡

即使：

x_A(t)=x_B(t)

若過去路徑不同，臨床意義也可能不同。

因此：

Value(t)\neq Trajectory(t).

2. 三至四類異常

Type I Level Anomaly
Type II Dynamic Anomaly
Type III Structural Anomaly
Type IV Relational Anomaly

例如：

C_{12}(t)=Corr(x_1,x_2)

改變，即使單一訊號仍「正常」，系統關係也可能已偏移。

3. 疾病不是二態

Baseline\rightarrow Drift\rightarrow CompensatedChange\rightarrow Prodromal\rightarrow ClinicalDisease.

但 Prediagnostic Association 不等於 confirmed preclinical pathology。

4. Prediction Horizon

所有風險應寫成：

P(E\ within\ \tau\mid History)

而不是沒有時間窗的單一 risk score。

越早：

LeadTime\uparrow

通常也伴隨：

Uncertainty\uparrow.

5. 最佳預警時間

\tau^* = \arg\max_\tau[ ClinicalUtility(\tau)-Uncertainty(\tau)-FalseAlarmCost(\tau)

因此不是越早越好。

6. Change-Point Detection

P(x|t<t_c)\neq P(x|t>t_c)

表示系統在 $t_c$ 後不再像以前。但 change point 本身不是疾病，只是值得升級觀測的 event。

7. 多模態與 Incremental Value

多模態不是自動優於單模態。新增模態必須證明：

\Delta Performance,\quad \Delta Calibration,\quad \Delta Utility.

8. Warning Ladder

W0 Stable
W1 Trajectory Drift
W2 Persistent Multimodal Change
W3 Elevated Clinical Risk
W4 Actionable Clinical Warning

低階事件可以只由系統記錄，不必全部通知患者。

9. Actionability

A(E)=\text{availability of a useful response to the warning}

所以：

PredictionAccuracy\neq ClinicalActionability.

10. Multi-Horizon Risk

\mathbf R(t)= [R_{1h},R_{24h},R_{7d},R_{1y},R_{5y}]

風險本身也是一條 trajectory：

R=R(t,\tau).

結論

真正需要預警的不一定是「數值已經壞掉」，而可能是「人體正在用以前沒出現過的方式改變」。安全的預警必須同時帶風險、時間窗、不確定性、證據來源與可行動性。

Paper_08_從異常值到異常軌跡：多器官時間序列與早期疾病預警