多门混合多视图图对比学习在电子健康记录上的多门混合

科学领域:

• 医疗信息学 医疗信息学
• 机器学习 机器学习
• 图形神经网络的神经网络

背景情况:

• 电子健康记录 (EHR) 包含用于预测建模的宝贵患者数据.
• 图形神经网络 (GNN) 显示出对EHR表示学习的希望,但需要手动关系标签,并经常专注于单个任务.
• 现有的方法可能无法充分利用EHR数据中的丰富,相互关联的信息.

研究的目的:

• 开发一种先进的EHR表示学习方法,克服当前GNN方法的局限性.
• 通过利用多任务学习和图形结构上的自我对比学习来提高患者特定预测任务的准确性.
• 提高EHR数据的实用性,用于临床决策支持和患者结果预测.

主要方法:

• 提出了一个多门混合的多视图对比学习 (MMMGCL) 框架用于EHR表示.
• 通过使用GloVe与本体学知识,以图形形式表示患者访问,具有层次结构和预训练的节点功能.
• 采用联合学习策略,以优化预测任务损失和对比损失,以改善表示.

主要成果:

• MMMGCL在患者再入院,死亡率和停留时间预测任务上表现得更好.
• 该方法在两个大型医疗数据集 (MIMIC-III和eICU) 上表现优于简单的基于图形的方法.
• 改进的EHR表示导致了更准确的下游预测结果.

结论:

• 拟议的MMMGCL方法为EHR代表性学习提供了更有效的方法.
• 多任务学习和对图形结构的自我对比学习显著提高了预测准确性.
• 这项工作为利用复杂的EHR数据进行临床预测提供了一个强大的框架.