用于健康事件预测的具有自适应注意力融合的时间感知异构图 Transformer

电子健康记录（EHR）数据在医疗领域的广泛应用，使得利用深度学习方法进行疾病风险预测取得了初步成功。由于参数量庞大，这些方法通常需要大量数据进行训练。然而，现有工作并未充分发挥 EHR 数据的全部潜力。一个重大挑战源于 EHR 数据中许多医疗代码出现频率较低，限制了其临床适用性。当前研究在关键领域往往存在不足：1）纳入疾病领域知识；2）异构地学习具有丰富含义的疾病表示；3）捕捉疾病进展的时间动态特性。为了克服这些局限性，我们引入了一种新颖的异构图学习模型，旨在吸收疾病领域知识并阐明药物与疾病之间的复杂关系。该模型创新性地将时间数据纳入就诊级别的嵌入中，并利用时间感知 Transformer 和自适应注意力机制来生成患者表示。在两个医疗数据集上的评估表明，我们的方法在预测准确率和可解释性上均显著优于现有方法，标志着向个性化和主动式医疗管理迈出的重要一步。