DynaGraph：基于动态图学习和对比性增强从电子健康记录中实现可解释的多标签预测
机器学习
2025-03-31 v1
摘要
如果不捕获患者状态在临床环境中的时间轨迹，学习从纵向电子健康记录(EHRs)将受限。图模型允许我们在图以类似动态方式构建时捕获多变量时间序列之间的隐藏依赖关系。以往的动态图模型需要预定义和/或静态图结构，而在大多数情况下这类结构是未知的，或者仅捕获特征之间的空间关系。此外，在医疗保健领域，模型的可解释性是构建与临床医生信任的关键要求。除了之前提出的注意力机制，尚未有可解释的动态图框架用于来自多变量电子健康记录(EHRs)的数据。我们提出DynaGraph，一个端到端可解释对比图模型，通过优化过程学习多变量时间序列EHRs的动态特性。我们在四个真实世界临床数据集上验证了该模型，涵盖从primary care到secondary care的各种场景，在任务不平衡和多标签的具有挑战性的环境中表现突出。与最先进的模型相比，DynaGraph在三个ICU数据集和一个primary care数据集上的平衡准确率和灵敏度显著提高。通过对图构建的伪注意力方法，我们的模型还指示了随时间变化的临床协变量的重要性，为临床验证提供了可能性。
引用
@article{arxiv.2503.22257,
title = {DynaGraph: Interpretable Multi-Label Prediction from EHRs via Dynamic Graph Learning and Contrastive Augmentation},
author = {Munib Mesinovic and Soheila Molaei and Peter Watkinson and Tingting Zhu},
journal= {arXiv preprint arXiv:2503.22257},
year = {2025}
}