KAT-GNN：面向电子健康记录中风险预测的知识增强时序图神经网络
机器学习
2025-11-04 v1
摘要
临床风险预测利用电子健康记录（EHR）对于促进及时干预和临床决策支持至关重要。然而，对异构且不规则的时序EHR数据建模 presents significant挑战。我们提出KAT-GNN（Knowledge-Augmented Temporal Graph Neural Network），一种基于图的框架，用于整合临床知识和时序动态进行风险预测。KAT-GNN首先从EHR中构建特定模态的患者图。随后，这些图通过两种知识来源进行增强：（1）来自SNOMED CT的本体驱动边，（2）从EHR中提取的共现先验。随后，采用时序注意力机制捕获图编码患者表示中的纵向动态。KAT-GNN在三个不同数据集和任务上进行评估：使用 Chang Gung Research Database（CGRD）的冠状动脉疾病（CAD）预测，以及使用 MIMIC-III 和 MIMIC-IV 数据集的住院死亡率预测。KAT-GNN在CAD预测中实现了状态突破的性能（AUROC: 0.9269 ± 0.0029），并在MIMIC-III（AUROC: 0.9230 ± 0.0070）和MIMIC-IV（AUROC: 0.8849 ± 0.0089）中的死亡率预测显示出色的成绩，始终优于GRASP和RETAIN等既定基线。消融研究确认，知识库增强和时序建模组件都是性能提升的重要贡献者。这些发现表明，将临床知识整合到图表示中，结合时序注意力机制，为跨越 diverse临床任务和数据集的风险预测提供了一种有效且可推广的方法。
引用
@article{arxiv.2511.01249,
title = {KAT-GNN: A Knowledge-Augmented Temporal Graph Neural Network for Risk Prediction in Electronic Health Records},
author = {Kun-Wei Lin and Yu-Chen Kuo and Hsin-Yao Wang and Yi-Ju Tseng},
journal= {arXiv preprint arXiv:2511.01249},
year = {2025}
}
备注
10 pages, 3 figures