MuST：用于医院再入院预测的多模态时空图-Transformer
机器学习
2023-11-15 v1 人工智能
摘要
医院再入院预测被视为降低再入院率的重要方法，而再入院率是评估医疗系统质量与效能的关键因素。既往研究广泛利用三种主要模态，即电子健康记录（EHR）、医学图像与临床笔记，来预测医院再入院。然而，这些研究大多未整合全部三种模态的信息，或未能利用数据集中存在的时空关系。本研究提出一种称为多模态时空图-Transformer（MuST）的新模型用于预测医院再入院。通过采用图卷积网络与时序 transformer，我们能有效捕捉 EHR 与胸部 X 光片中的空间与时间依赖关系。随后我们提出一个融合 transformer，将上述两种模态的时空特征与由预训练领域特定 transformer 提取的临床笔记特征相结合。我们使用最新的公开数据集 MIMIC-IV 评估了方法的有效性。实验结果表明，MuST 中多模态特征的引入相较于单模态方法提升了性能。此外，我们提出的流程在医院再入院预测中优于当前领先方法。
引用
@article{arxiv.2311.07608,
title = {MuST: Multimodal Spatiotemporal Graph-Transformer for Hospital Readmission Prediction},
author = {Yan Miao and Lequan Yu},
journal= {arXiv preprint arXiv:2311.07608},
year = {2023}
}