基于双曲嵌入自监督图学习的时间健康事件预测
摘要
电子健康记录(Electronic Health Records, EHR)在现代医疗系统中被广泛用于记录患者的入院信息。许多数据驱动方法利用EHR中的时间特征来预测特定疾病、再入院时间或患者诊断。然而，由于某些时间事件在监督训练中存在固有的标签缺失，大多数现有预测模型无法充分利用EHR数据。此外，现有工作难以同时提供通用与个性化的可解释性。为应对这些挑战，我们首先提出一种带信息流的双曲嵌入(hyperbolic embedding)方法，用于在层次结构中预训练医学编码表示。我们将这些预训练表示整合进图神经网络以检测疾病并发症，并设计一种多级注意力方法来计算特定疾病与入院的贡献，从而增强个性化可解释性。我们在自监督学习框架中提出了一种新的层次增强历史预测代理任务，以充分利用EHR数据并挖掘医学领域知识。我们在广泛使用的公开EHR数据集上进行了全面的实验与案例研究，以验证我们模型的有效性。结果证明了我们的模型在预测任务与可解释能力两方面的优势。
引用
@article{arxiv.2106.04751,
title = {Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal Health Event Prediction},
author = {Chang Lu and Chandan K. Reddy and Yue Ning},
journal= {arXiv preprint arXiv:2106.04751},
year = {2021}
}
备注
\c{opyright} 20XX IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works