Multitasking heterogenes Graphlernen auf elektronischen Gesundheitsakten

Das Lernen elektronischer Gesundheitsakten (EHRs) hat aufgrund seiner Fähigkeit, eine genaue medizinische Diagnose zu erleichtern, zunehmende Aufmerksamkeit erhalten. Da die EHRs angereicherte Informationen enthalten, die komplexe Interaktionen zwischen Entitäten spezifizieren, hat sich gezeigt, dass die Modellierung von EHRs mit Graphen in der Praxis effektiv ist. Die EHRs weisen jedoch ein hohes Maß an Heterogenität, Sparsamkeit und Komplexität auf, was die Leistung der meisten angewandten Modelle beeinträchtigt. Darüber hinaus konzentrieren sich bestehende Ansätze zur Modellierung von EHRs oft auf das Lernen von Repräsentationen für eine einzelne Aufgabe und übersehen die Multitasking-Natur von EHR-Analyseproblemen, was zu einer begrenzten Übertragbarkeit über verschiedene Aufgaben führt. Angesichts dieser Einschränkungen schlagen wir ein neuartiges Rahmenwerk für das EHR-Modeling vor, nämlich MulT-EHR (Multi-Task EHR), das ein heterogenes Graphen nutzt, um die komplexen Beziehungen zu ermitteln und die Heterogenität in den EHRs zu modellieren. Um das hohe Maß an Rauschen zu mindern, führen wir ein Denoising-Modul basierend auf dem Kausalitätsinferenzrahmen ein, um schwere Verfälschungseffekte zu korrigieren und Rauschen in den EHR-Daten zu reduzieren. Darüber hinaus entwirft unser Modell ein einzelnes graphenbasiertes neuronales Netzwerk für die gleichzeitige Vorhersage mehrerer Aufgaben und wir konzipieren ein Modul für das Lernen mehrerer Aufgaben, um das Wissen zwischen den Aufgaben zu nutzen, um den Trainingsprozess zu regulieren. Umfassende empirische Studien zu den MIMIC-III- und MIMIC-IV-Datensätzen bestätigen, dass die vorgeschlagene Methode die derzeit besten Designs in vier gängigen EHR-Analyseaufgaben – Medikamentenempfehlung sowie Vorhersagen zur Aufenthaltsdauer, Sterblichkeit und Wiederaufnahme – konstant übertrifft. Gründliche Ablationsstudien zeigen die Robustheit unserer Methode bei Variationen an Schlüsselteilen und Hyperparametern.