基于相似性的自构建图模型：利用图神经网络与EHR数据预测患者危重程度
机器学习
2025-08-04 v1 人工智能
摘要
准确预测ICU患者的危重程度（如ICU内死亡风险）对于重症监护的早期干预至关重要。然而，传统模型通常孤立地处理每位患者，难以利用电子健康记录（EHR）中的关系结构。我们提出了一种基于相似性的自构建图模型（SBSCGM），该模型从多模态EHR数据动态构建患者相似性图，并设计了一种HybridGraphMedGNN架构，在此图上运行以预测患者死亡率和连续的危重程度评分。SBSCGM采用混合相似性度量（结合基于特征的相似性和结构相似性），实时连接具有相似临床特征的患者。HybridGraphMedGNN集成了图卷积网络（GCN）、GraphSAGE和图注意力网络（GAT）层，利用局部和全局图模式学习鲁棒的患者表示。在MIMIC-III数据集的6000次ICU住院记录实验中，我们的模型达到了最先进的性能（AUC-ROC ），优于基线分类器和单一类型的GNN模型。我们还展示了改进的精确率/召回率，并表明注意力机制为模型预测提供了可解释的见解。我们的框架为重症监护风险预测提供了一种可扩展且可解释的解决方案，具有在真实世界ICU部署中支持临床医生的潜力。
引用
@article{arxiv.2508.00615,
title = {Similarity-Based Self-Construct Graph Model for Predicting Patient Criticalness Using Graph Neural Networks and EHR Data},
author = {Mukesh Kumar Sahu and Pinki Roy},
journal= {arXiv preprint arXiv:2508.00615},
year = {2025}
}