DeepJ: Transformadores de convolución de grafos con agrupación diferenciable para la modelización de trayectorias de...

Área de la Ciencia:

• Informática médica
• Inteligencia artificial en la atención médica
• Aprendizaje de grafos para Registros Médicos Electrónicos

Sus antecedentes:

• Los datos de Registros Médicos Electrónicos (EHR) contienen interacciones complejas de eventos médicos.
• Los métodos de aprendizaje de grafos existentes tienen dificultades con los datos longitudinales, sin poder modelar las dependencias temporales entre encuentros.
• Los enfoques de grafos estáticos limitan el análisis de las trayectorias de los pacientes a lo largo del tiempo.

Objetivo del estudio:

• Presentar Deep Patient Journey (DeepJ), un novedoso modelo de transformador de convolución de grafos.
• Capturar eficazmente las interacciones de eventos médicos intra y entre encuentros.
• Identificar grupos de eventos médicos temporal y funcionalmente relacionados para la predicción de resultados de los pacientes.

Principales métodos:

• Se desarrolló DeepJ, un modelo de transformador de convolución de grafos.
• Se incorporó la agrupación de grafos diferenciable para mejorar la modelización de interacciones.
• Se aplicó DeepJ a datos estructurados de EHR para análisis longitudinal.

Principales resultados:

• DeepJ capturó con éxito las interacciones de eventos médicos intra y entre encuentros.
• Identificó clústeres de eventos clave relevantes para los resultados de los pacientes.
• Superó a cinco modelos de referencia de última generación en tareas de predicción.

Conclusiones:

• DeepJ ofrece una modelización mejorada de las trayectorias de los pacientes utilizando datos de EHR.
• El modelo mejora la interpretabilidad y demuestra potencial para la estratificación del riesgo del paciente.
• DeepJ avanza la aplicación del aprendizaje de grafos en la informática clínica.