用于疾病进展建模的时序细化超图神经动力学

疾病进展建模旨在基于纵向电子健康记录（EHRs）来表征和预测患者疾病并发症随时间的恶化情况。对于糖尿病等疾病，准确的进展建模可以增强患者亚型划分并为及时有效的干预提供信息。然而，这一问题由于需要从不规则采样的临床事件中学习连续时间的进展动力学，同时要应对患者异质性（例如不同的进展速率和路径）而具有挑战性。现有的机制方法和数据驱动方法要么无法适应从真实世界数据中学习，要么无法捕捉进展轨迹上的复杂连续时间动力学。为此，我们提出了时序细化超图神经常微分方程（TD-HNODE），将疾病进展在临床上被认可的轨迹表示为时序细化超图，并通过神经ODE框架学习连续时间的进展动力学。TD-HNODE包含一个可学习的TD-Hypergraph拉普拉斯算子，用于捕捉疾病并发症标记物在内部分支和跨分支轨迹之间的相互依赖性。在两个真实临床数据集上的实验表明，TD-HNODE在糖尿病及相关心血管疾病的进展建模方面优于多个基线方法。