MiGHT-EHR：用于异构时态电子健康记录的多任务图形转换器

arXiv:2608.06430v1 公告类型：新 摘要：从电子健康记录 (EHR) 中学习因其改善临床预测的潜力而受到广泛关注。然而，有效的学习仍然具有挑战性，因为 EHR 编码异质的、按时间顺序排列的临床交互。特别是，EHR 包含：（i）异质临床实体，包括患者、就诊、诊断、处方和程序及其异质相互作用，（ii）跨医院就诊的纵向患者轨迹，以及（iii）相关临床预测任务之间共享的统计依赖性。现有的 EHR 学习方法仅捕获这些属性的子集。为了弥补这一差距，我们提出了异构时态 EHR 的多任务图转换器（MiGHT-EHR），它在统一的表示学习方法中对这三者进行联合建模。 MiGHT-EHR 从 EHR 构建异构图，其中节点代表临床实体，边连接通过标准化逐点互信息识别的统计相关实体。在 MIMIC-III 和 MIMIC-IV 数据集中，MiGHT-EHR 在四个任务上平均优于最先进的方法：药物推荐、住院时间预测、死亡率和再入院，尤其是在死亡率和再入院预测方面有显着改善。此外，对学习到的表示的事后分析表明，患者社区是根据临床结果组织的，显着的医学概念可以恢复为表示空间中的线性方向，并且任务概率得到了很好的校准。总的来说，这些发现表明 MiGHT-EHR 表示支持不同的预测任务，同时保留临床可解释的结构。