DynaGraph: aprendizaje de grafos dinámicos interpretable para registros de salud electrónicos temporales | JoVE Visualize

Área de la Ciencia:

Aprendizaje Automático
Biología Computacional
Informática de la Salud

Sus antecedentes:

Los registros de salud electrónicos (HCE) contienen datos temporales ricos, pero a menudo se analizan con modelos que simplifican en exceso su complejidad.
Los modelos de aprendizaje automático existentes luchan por capturar las relaciones dinámicas y la evolución temporal dentro de los datos de series temporales clínicas multivariadas.

Objetivo del estudio:

Introducir DynaGraph, un marco de aprendizaje de grafos dinámico e interpretable para analizar las relaciones espacio-temporales en evolución en los datos de HCE.
Abordar los desafíos del desequilibrio de clases y la inestabilidad temporal en los modelos de aprendizaje automático clínico.

Principales métodos:

DynaGraph construye grafos espacio-temporales en evolución a partir de series temporales clínicas multivariadas sin estructuras predefinidas.
Integra incrustaciones secuenciales con aumento de grafos contrastivo y emplea un mecanismo de pseudo-atención.
Se utiliza un novedoso objetivo de múltiples pérdidas que combina componentes focales, estructurales y contrastivos para el entrenamiento de extremo a extremo.

Principales resultados:

DynaGraph superó consistentemente a 14 bases de referencia de última generación en cuatro conjuntos de datos de HCE a gran escala.
Se lograron mejoras relativas del 6-8% en el área bajo la curva de precisión-recuperación (AUPRC) y ganancias del 12-22% en la sensibilidad.
Se demostró una interpretabilidad específica del tiempo, identificando factores de riesgo resueltos temporalmente y relaciones fisiológicas que impulsan las predicciones.

Conclusiones:

DynaGraph ofrece un marco robusto e interpretable para modelar dinámicas temporales complejas en datos de HCE.
El método mejora significativamente el rendimiento predictivo y proporciona información clínicamente relevante sobre las trayectorias de riesgo del paciente.
Este enfoque avanza la aplicación del aprendizaje automático en la atención médica al manejar de manera efectiva la inestabilidad temporal y el desequilibrio de clases.