医疗-MGF:多层次的基于图形的框架,用于处理医疗数据不平衡和表示.

科学领域:

• 医疗保健中的机器学习
• 图形神经网络的神经网络
• 数据挖掘 数据挖掘

背景情况:

• 电子健康记录 (EHR) 对于临床决策至关重要.
• 从电子健康记录中建模患者数据是医疗保健机器学习的一个关键重点.
• 电子健康记录数据为疾病诊断和治疗提供了宝贵的见解.

研究的目的:

• 介绍MedMGF,一个基于多层次图形的EHR数据分析框架.
• 在统一的架构中建模患者的医疗档案及其关系网络.
• 通过修改的焦点损失函数,提高对不平衡数据集的分类性能.

主要方法:

• 开发了MedMGF,这是一个基于图形的框架,集成了患者个人资料和关系网络.
• 通过测量嵌入式医疗资料之间的相似性,创建了患者-患者网络.
• 建议修改焦点损失函数,以提高不平衡数据的分类准确性.
• 使用各种损失函数和过量采样技术,对基线图形卷积网络 (GCN) 模型进行了MedMGF评估.

主要成果:

• 在一个不平衡的儿科败血症数据集 (不平衡比率为0.047) 上,MedMGF实现了高分类性能 (AUC:0.8098,SEN:0.8750).
• 与基线模型相比,AUC (高达14.33%) 和灵敏度 (高达27.5%) 显著改善.
• 使用二进制交叉 (BCE),焦点损失 (FL) 和合成少数群体过量采样技术 (SMOTE) 的GCN模型表现优于其他模型.

结论:

• 与所有评估的基线模型相比,MedMGF实现了更高的灵敏度 (SEN) 和曲线下的面积 (AUC).
• 该框架显示了各种医疗保健应用的巨大潜力,特别是在分析复杂的EHR数据方面.
• 修改后的焦点损失函数有效地解决了不平衡数据集所带来的挑战,没有归算.