基于患者-特征-值三元组图卷积网络的脓毒症预测
机器学习
2025-12-08 v1
摘要
在重症监护环境中，脓毒症仍然是导致患者发病和死亡的主要原因；然而，电子健康记录（EHR）数据的复杂性、稀疏性和异质性阻碍了其及时检测。我们提出了 Triplet-GCN，一种单分支图卷积模型，将每次就诊表示为患者-特征-值三元组，构建二部 EHR 图，并通过图卷积网络（GCN）及轻量级多层感知机（MLP）学习患者嵌入。该流程应用特定类型的预处理——对数值变量进行中位数插补和标准化，对二值特征进行效应编码，对稀有类别属性进行众数插补与低维嵌入——并使用汇总统计量初始化患者节点，同时在边上保留测量值以维持“谁测量了什么以及测量了多少”的信息。在一个来自三所三甲医院、回顾性多中心中国队列（N = 648；70/30 训练-测试划分）中，Triplet-GCN 在判别度和平衡误差指标上始终优于强大的表格数据基线（KNN、SVM、XGBoost、Random Forest），产生了更有利的敏感性-特异性权衡，并提升了早期预警的整体效用。这些发现表明，将 EHR 编码为三元组并在患者-特征图上传播信息，比特征独立模型能产生更具信息量的患者表示，为可部署的脓毒症风险分层提供了一个简单的端到端蓝图。
关键词
引用
@article{arxiv.2512.05416,
title = {Sepsis Prediction Using Graph Convolutional Networks over Patient-Feature-Value Triplets},
author = {Bozhi Dan and Di Wu and Ji Xu and Xiang Liu and Yiziting Zhu and Xin Shu and Yujie Li and Bin Yi},
journal= {arXiv preprint arXiv:2512.05416},
year = {2025}
}