用于人血白蛋白预测的的分布外泛化动态图神经网络

人血白蛋白对于指示身体整体健康至关重要。准确预测血浆白蛋白水平并确定适当剂量是紧迫的临床挑战，尤其在危重患者中，以维持最佳血液水平。然而，人血白蛋白预测并非易事，必须利用生化标志物的动态变化以及治疗患者的经验。此外，真实临床数据中常遇到分布偏移问题，可能导致模型预测性能下降并降低模型应用的可靠性。本文提出一个名为用于人血白蛋白预测的分布外泛化动态图神经网络（DyG-HAP）的框架，能够为重症监护病房（ICU）患者住院期间提供准确的白蛋白预测。我们首先将人血白蛋白预测建模为动态图回归问题，以建模动态变化和患者关系。然后，我们提出解耦动态图注意力机制，分别捕捉并解耦在分布偏移下与标签关系分别为不变和可变的模式。最后，我们提出不变动态图回归方法，鼓励模型依赖不变模式进行预测。此外，我们提出一个名为重症监护白蛋白水平检测与营养给药数据（ANIC）的数据集用于评估。大量实验证明了我们的方法相较于若干基线方法在人血白蛋白预测中的优越性。