用层次治愈:层次关注赋权图形神经网络用于医疗数据中的预测分析
Shivani Gupta1, Saurabh Sharma1, Rajesh Sharma2
1Indian Institute of Technology Patna, Department of Computer Science and Engineering, Patna, 801103, Bihar, India.
Artificial intelligence in medicine
|April 26, 2025
概括
一个新的框架,基于层次关注的综合学习 (HAIL),通过使用电子健康记录,改善了医院死亡率和ICU停留时间的预测. HAIL有效地处理缺失的数据,并增强临床决策.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
背景情况:
- 非结构化医疗数据提供了宝贵的患者洞察力,但也带来了诸如长文本和缺失信息等挑战.
- 准确预测患者的结果,如住院死亡率和ICU停留时间,对于医疗保健管理至关重要.
研究的目的:
- 引入基于等级注意力的综合学习 (HAIL) 框架,用于预测住院死亡率和ICU停留时间.
- 解决分析非结构化电子健康记录 (EHR) 数据,包括缺失值和长序列的挑战.
主要方法:
- HAIL集成了层次注意力机制与图形神经网络来处理EHR数据.
- 该模型采用嵌入式的代改进,以对患者信息进行全面分析.
- 用患者网络来提高预测的稳定性和一致性.
主要成果:
- 与现有基准相比,HAIL在各种指标的预测性能中显示出2%-3%的改善.
- 该框架有效地管理缺失的数据,从而更准确地预测结果.
- 患者网络在维持模型性能方面的重要性得到了强调.
结论:
- HAIL框架为非结构化EHR数据的预测分析提供了显著的进步.
- 通过更准确地预测患者的结果,HAIL 增强了对时间敏感的临床决策.
- 整合患者网络分析有助于提议模型的可靠性和有效性.
