उन्नत क्लिनिकल जोखिम भविष्यवाणी के लिए अस्थायी ग्राफ ध्यान मॉडल

इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड (EHR) पर आधारित क्लिनिकल जोखिम भविष्यवाणी चिकित्सकों को बेहतर निर्णय लेने में मदद कर सकती है और प्रारंभिक निदान को समझने में सहायता कर सकती है। फिर भी, बहुआयामी समय-श्रृंखला इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड डेटा से निकाली गई सटीक प्रतिनिधित्व भविष्यवाणी प्रदर्शन के लिए महत्वपूर्ण हैं। वर्तमान में अधिकांश प्रणाली या तो डेटा को दो चरणों में निकालती हैं, समय संबंधी पहलुओं पर केंद्रित होती हैं, या यह मानती हैं कि क्लिनिकल इवेंट वेरिएबल केIntrinsic लिंक होते हैं। रोगी विशेषता जानकारी की कमी के कारण भविष्यवाणी सटीकता में कमी आती है। इसके अलावा, उपयुक्त मेटा-पाथ का चयन वर्तमान में अधिकांश सिस्टम में एक मैनुअल प्रक्रिया होती है जो हेटेरोजेनियस ग्राफ न्यूरल नेटवर्क पर निर्भर करती हैं। हमारा प्रस्तावित समय-सचेत संदर्भ-गेटेड ग्राफ ध्यान नेटवर्क इन मुद्दों को संबोधित करने का लक्ष्य रखता है (TContext GAN)। स्वचालित रूप से मेटा-पाथ का चयन करने और EHR डेटा से अस्थायी अर्थपूर्ण जानकारी और अंतर्निहित संबंध निकालने के लिए, हमने एक GNN-आधारित मॉड्यूल विकसित किया है जिसमें एक आत्म-ध्यान तंत्र और समय-सचेत मेटा-पाथ हैं।