桥接图谱与状态空间建模：用于 ICU 住院时长预测
机器学习
2025-10-14 v2
摘要
预测患者在 intensive care unit (ICU) 的住院时长是医院资源管理中的关键任务，但由于电子健康记录 (EHR) 的异构性和不规则采样特性，仍面临挑战。本文提出 SG-Net，一种新型神经网络架构，统一状态空间序列建模与多视图图神经网络 (GNN)，用于 ICU 住院时长预测。时序路径采用 Mamba 状态空间模型 (SSM) 捕获患者轨迹，而图谱路径利用优化后的 GraphGPS 主干网络，整合来自诊断、行政和语义特征的异构患者相似性图。实验在大规模 MIMIC-IV 队列数据集上表明，SG-Net 在所有主要指标上均一致优于序列模型 (BiLSTM、Mamba、Transformer)、图模型 (经典 GNN、GraphGPS) 和混合方法。广泛的消融研究和可解释性分析突出了我们架构各组件的互补贡献，强调了原则图构建的重要性。这些结果表明，SG-Net 为多模态临床数据提供了一种有效且可扩展的 ICU 住院时长预测解决方案。代码可在 https://github.com/ShuqiZi1/S2G-Net 查看。
引用
@article{arxiv.2508.17554,
title = {Bridging Graph and State-Space Modeling for Intensive Care Unit Length of Stay Prediction},
author = {Shuqi Zi and Haitz Sáez de Ocáriz Borde and Emma Rocheteau and Pietro Lio'},
journal= {arXiv preprint arXiv:2508.17554},
year = {2025}
}
备注
Accepted at the GenAI for Health Workshop @ NeurIPS 2025. Code available at: https://github.com/ShuqiZi1/S2G-Net