基于时序知识图谱表示的患者护理路径临床结局预测
机器学习
2025-05-01 v2 人工智能
摘要
背景：随着医疗保健数据可用性的不断提高，预测建模在生物医学领域找到了许多应用，例如评估各种疾病的风险水平，进而指导临床决策。然而，尚不清楚在某些场景中具有竞争力的知识图谱数据表示及其嵌入是否在生物医学预测建模中具有应用价值。方法：我们模拟了颅内动脉瘤患者的合成但真实的数据，并在预测其临床结局的任务上进行了实验。我们比较了各种分类方法在表格数据与基于图的相同数据表示上的性能。接着，我们研究了所采用的表示模式（首先是个体数据，其次是时序数据）如何影响预测性能。结果：我们的研究表明，在我们的案例中，图表示与图卷积网络（GCN）嵌入在基于观测数据的预测任务中取得了最佳性能。我们强调了所采用的模式以及在个体数据表示中考虑字面值的重要性。我们的研究还缓和了不同时间编码对 GCN 性能的相对影响。
引用
@article{arxiv.2502.21138,
title = {Predicting clinical outcomes from patient care pathways represented with temporal knowledge graphs},
author = {Jong Ho Jhee and Alberto Megina and Pacôme Constant Dit Beaufils and Matilde Karakachoff and Richard Redon and Alban Gaignard and Adrien Coulet},
journal= {arXiv preprint arXiv:2502.21138},
year = {2025}
}