在罕见病康复护理领域，临床工作者长期面临三重困境：高度异质性的临床表现使得标准化评估工具失效，有限样本量导致统计模型可靠性不足，复杂的共病模式更让传统风险评估方法捉襟见肘。这些挑战如同隐形的壁垒，阻碍着精准护理在罕见病领域的实践。当常见疾病依托大数据分析实现个性化医疗突破时，罕见病患者却因数据碎片化而难以获得同质化的康复管理。正是洞察到这一临床痛点，研究人员将目光投向了人工智能前沿技术，试图构建能够动态捕捉罕见病康复规律的智能系统。
本研究创新性地提出了多模态时空图卷积注意力网络（Multimodal Spatiotemporal Graph Convolutional Attention Network, MSTGCA-Net），通过四大核心技术突破实现从静态评估到动态预测的范式转变。首先，框架构建了异构患者关系图，将临床相似性编码为图结构；其次，采用跨注意力机制的自适应多模态融合模块，有效整合多源医疗数据；第三，时空编码器同步捕捉患者间关联和纵向依赖；最后，知识引导的干预生成组件确保输出策略符合临床规范。
关键技术方法包括：基于临床相似性的异质患者关系图构建技术、跨注意力多模态融合算法、时空图卷积编码器设计、知识图谱引导的干预策略生成模块。实验基于包含2847例罕见病患者（涵盖156种疾病类型）的回顾性队列开展验证。
【模型架构与性能】
通过对比基线方法验证模型有效性，MSTGCA-Net在准确率（0.867）、F1分数（0.845）和AUC值（0.923）三项指标均显著优于传统方法。注意力机制提供的可解释性预测为临床采纳奠定基础，模型决策过程可追溯至具体数据特征。
【干预策略评估】
生成策略经临床专家从适宜性、安全性、可行性三维度评估，获得积极评价。知识引导组件确保输出方案既符合个体化需求又不偏离医疗规范，实现数据驱动与知识推理的有机结合。
研究结论表明，该框架成功解决了罕见病康复护理中的动态风险评估难题，通过时空图卷积网络捕捉了传统线性模型无法识别的复杂模式。讨论部分强调，将患者关系建模与时序动态分析相结合的新范式，不仅适用于罕见病场景，更为整个慢性病管理领域提供了可扩展的技术路径。这项发表于《Scientific Reports》的研究，标志着人工智能在精准康复护理领域迈出关键一步，为建立罕见病智能护理新标准提供了技术支撑。
