MedGAITS: una red de autoencoder de grafos para modelar datos de series temporales irregulares en registros médicos...

Área de la Ciencia:

• Informática Biomédica
• Aprendizaje Automático
• Análisis de Datos Clínicos

Sus antecedentes:

• Los registros médicos electrónicos (HCE) son cruciales para predecir los resultados de los pacientes.
• El muestreo irregular y los datos faltantes en HCE dificultan el análisis preciso de series temporales clínicas.
• Los métodos existentes luchan con la complejidad de los datos clínicos incompletos.

Objetivo del estudio:

• Desarrollar un marco sólido para el manejo de datos de series temporales clínicas irregulares e incompletas.
• Capturar eficazmente patrones temporales complejos e interacciones de características en HCE.
• Mejorar la predicción del pronóstico del paciente y la progresión de la enfermedad utilizando HCE.

Principales métodos:

• Propuso MedGAITS, un marco de autoencoder de grafos de dos etapas para series temporales clínicas irregulares e incompletas.
• Empleó una estrategia de aprendizaje progresivo con aprendizaje de grafos dinámico para la reconstrucción de grano grueso.
• Utilizó la construcción iterativa de grafos dinámicos y el aprendizaje residual para la extracción refinada de características, aprendiendo representaciones conscientes de la incertidumbre directamente de los datos brutos.

Principales resultados:

• MedGAITS logró un rendimiento competitivo o superior en conjuntos de datos públicos (PhysioNet 2012, COVID-19, eICU) para tareas de regresión y clasificación.
• Identificó biomarcadores clave para la progresión de COVID-19, incluidos neutrófilos y LDH como indicadores tempranos y recuento de glóbulos blancos como marcador en etapa tardía.
• Demostró un manejo eficaz de datos de series temporales clínicas irregulares e incompletas.

Conclusiones:

• MedGAITS ofrece una solución eficaz para analizar datos de series temporales clínicas desafiantes con valores faltantes.
• El marco mejora el rendimiento de las tareas predictivas posteriores y descubre características que evolucionan con el tiempo y son clínicamente significativas.
• Proporciona información valiosa para el monitoreo de enfermedades y el descubrimiento de biomarcadores.