评估以人为中心知识图谱嵌入的预测特征：展开性消除实验
机器学习
2024-08-30 v2 人工智能
摘要
由于数据异构性、标准化或稀疏性等各种特征，开发针对复杂生物医学信息的 novel 预测模型具有挑战性。我们先前引入了以人为中心的本体来组织关于个体患者的信息，并提出了一种表示学习框架来提取人为中心知识图谱 (PKG) 并训练图神经网络 (GNN)。本文提出一种系统化方法，考察使用从 MIMIC-III 数据集中获取的结构化和非结构化信息训练的 GNN 模型结果。通过对不同临床、人口学和社会数据的消除实验，我们展示了这一方法在识别 PKGs 中用于再入院预测的预测特征方面的鲁健性。
引用
@article{arxiv.2408.15294,
title = {Evaluating the Predictive Features of Person-Centric Knowledge Graph Embeddings: Unfolding Ablation Studies},
author = {Christos Theodoropoulos and Natasha Mulligan and Joao Bettencourt-Silva},
journal= {arXiv preprint arXiv:2408.15294},
year = {2024}
}
备注
Published in the 34th Medical Informatics Europe Conference