基于图卷积转换器的深度J：用于患者轨迹建模的可微池化
机器学习
2025-06-23 v1
摘要
近年来，图学习因用于建模电子健康记录（EHR）中复杂医疗事件间的相互作用而受到广泛关注。然而，现有基于图的方法往往以静态方式工作，或限制于单个就诊事件内部的相互作用，或将所有历史就诊事件压缩到单个快照中。结果是，当需要识别跨越多个就诊事件的有意义医疗事件组时，现有方法在建模跨就诊事件的相互作用并考虑时间依赖性方面不够。为此，我们引入Deep Patient Journey（DeepJ），一种具有可微池化的图卷积转换器模型，有效捕获就诊内外以及跨就诊医疗事件的相互作用。DeepJ能够识别与患者结果预测相关的具有时序性和功能性的医疗事件组，为临床实践提供有价值的见解。实验结果表明，DeepJ显著优于五个最先进的基线模型，同时提升了可解释性，展示了其在患者风险分层方面的潜力。
引用
@article{arxiv.2506.15809,
title = {DeepJ: Graph Convolutional Transformers with Differentiable Pooling for Patient Trajectory Modeling},
author = {Deyi Li and Zijun Yao and Muxuan Liang and Mei Liu},
journal= {arXiv preprint arXiv:2506.15809},
year = {2025}
}