基于EHR患者相似图的图神经网络心力衰竭预测
机器学习
2025-06-23 v1 人工智能
摘要
目标：在现代医疗保健领域，准确预测疾病至关重要。本研究引入一种新方法，利用图神经网络 (GNN) 和图变换器 (GT) 在患者相似图上预测下次住院时心力衰竭 (HF) 的发生风险。材料和方法：我们使用来自MIMIC-III数据集的电子健康记录 (EHR)，并应用K近邻 (KNN)算法创建基于诊断、程序和药物嵌入的患者相似图。实现了GraphSAGE、图注意力网络 (GAT) 和图变换器 (GT) 三种模型，用于预测HF发生。通过F1分数、AUROC和AUPRC指标评估模型性能，并与基线算法进行比较。对模型进行可解释性分析，以了解其决策过程。结果：GT模型表现最佳（F1分数：0.5361，AUROC：0.7925，AUPRC：0.5168）。尽管随机森林 (RF) 基线实现了相似的AUPRC值，但GT模型由于运用图结构中的患者关系，提供了更好的可解释性。对注意力权重、图连通性和临床特征的联合分析为不同分类组的模型预测提供了见解。讨论和结论：图基于的方法如GNN为预测HF提供了有效框架。通过利用患者相似图，GNN能够捕获EHR数据中的复杂关系， potentially improve prediction accuracy and clinical interpretability.
引用
@article{arxiv.2411.19742,
title = {Graph Neural Networks for Heart Failure Prediction on an EHR-Based Patient Similarity Graph},
author = {Heloisa Oss Boll and Ali Amirahmadi and Amira Soliman and Stefan Byttner and Mariana Recamonde-Mendoza},
journal= {arXiv preprint arXiv:2411.19742},
year = {2025}
}