基于动态疾病图上转移函数的上下文感知健康事件预测

随着电子健康记录（EHR）在医疗机构中的广泛应用，基于深度学习的健康事件预测受到越来越多的关注。用于深度学习预测的 EHR 数据的一个常见特征是历史诊断。现有工作主要将一次诊断视为一种独立疾病，未考虑一次就诊中疾病间的临床关联。许多机器学习方法假设疾病表示在患者的不同就诊中是静态的。然而在实际中，频繁同时被诊断的多种疾病反映了有利于预后的隐藏模式。此外，疾病的发展并非静态，因为某些疾病可能出现或消失，并在患者不同就诊中表现出不同症状。为有效利用这种组合疾病信息并探索疾病动态，我们提出一种在动态疾病图上使用转移函数的上下文感知学习框架。具体而言，我们构建具有多种节点属性的全局疾病共现图以刻画疾病组合。我们为每位患者每次就诊设计动态子图以利用全局与局部上下文。我们进一步基于节点属性的变化定义每次就诊中的三种诊断角色，以建模疾病转移过程。在两个真实世界 EHR 数据集上的实验结果表明，所提模型在健康事件预测上优于最先进方法。