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

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.