利用图表示学习预测患者结局
机器学习
2021-01-12 v1
摘要
近期关于重症监护病房（ICU）患者结局预测的研究严重聚焦于生理时间序列数据，很大程度上忽略了诊断和用药等稀疏数据。当这些数据被纳入时，通常在模型的后期阶段进行拼接，这可能难以从较罕见疾病模式中学习。相反，我们提出一种策略，通过将相似患者连接于图中，将诊断作为关系信息加以利用。为此，我们提出用于患者结局预测任务的 LSTM-GNN：一种结合长短期记忆网络（LSTMs）以提取时间特征与图神经网络（GNNs）以提取患者邻域信息的混合模型。我们证明在 eICU 数据库上的住院时长预测任务中，LSTM-GNN 优于仅用 LSTM 的基线。更一般地，我们的结果表明，利用图神经网络从相邻患者病例中获取信息是一个有前景的研究方向，在电子健康记录的有监督学习性能上带来切实收益。
引用
@article{arxiv.2101.03940,
title = {Predicting Patient Outcomes with Graph Representation Learning},
author = {Emma Rocheteau and Catherine Tong and Petar Veličković and Nicholas Lane and Pietro Liò},
journal= {arXiv preprint arXiv:2101.03940},
year = {2021}
}
备注
Accepted at the W3PHIAI-21 and DLG-AAAI'21 workshops at AAAI 2021