基于电子健康记录的时序图表示预测建模

深度学习基于电子健康记录（EHR）的预测模型正受到越来越多的关注。在医疗保健领域，有效的患者EHR表示应层次性地包含历史就诊和医疗事件之间的时序关系，以及这些元素的内在结构信息。现有的患者表示方法大致可分为顺序表示和图表示。顺序表示方法仅关注纵向就诊之间的时序关系。另一方面，图表示方法虽然擅长提取各种医疗事件之间的图结构关系，但未能有效整合时序信息。为捕捉这两种信息，我们将患者EHR建模为一种新型时序异构图。该图包括历史就诊节点和医疗事件节点。它从医疗事件节点传递结构化信息到就诊节点，并利用时序就诊节点捕捉患者健康状态的变化。 Furthermore, we introduce a novel temporal graph transformer (TRANS) that integrates temporal edge features, global positional encoding, and local structural encoding into heterogeneous graph convolution, capturing both temporal and structural information. We validate the effectiveness of TRANS through extensive experiments on three real-world datasets. The results show that our proposed approach achieves state-of-the-art performance.