一种基于电子健康记录的多尺度图表示学习模型

摘要

现有的电子健康记录（electronic health records, EHR）的图表示学习方法多依赖单个患者的局部信息，忽视了群体患者在疾病演化和诊疗路径上的潜在关联，从而限制了模型的泛化性与鲁棒性.针对这一问题，本文提出一种混合多层级图神经网络（hybrid multi-level graph neural network, H-MGNN）模型，并将其应用于重症监护室（intensive care unit, ICU）患者的死亡预测.该模型通过构建宏观层面的患者关系图（patient-patient graph, P-P）、微观层面的分类-笔记-词汇超图（taxonomy-note-word hypergraph, T-N-W），结合超图的时序依赖关系，实现多尺度上的患者特征融合.同时，本文设计了融合算法（hybrid embedding,Hybrid-E），用于提取和整合患者嵌入的潜在特征，以提升预测准确性.实验结果表明，H-MGNN在MIMIC-Ⅲ(medical information mart for intensive careⅢ)数据集上的住院死亡率预测等任务中显著优于现有方法，验证了其在复杂EHR数据挖掘中的有效性和先进性.

关键词

电子健康记录 / 多尺度 / 超图 / 图神经网络