Graph Neural Networks for Heart Failure Prediction on an EHR-Based Patient Similarity Graph

要約

目的: 現代の医療において、病気を正確に予測することは非常に重要です。
この研究では、グラフ ニューラル ネットワーク (GNN) とグラフ トランスフォーマー (GT) を使用した新しいアプローチを導入し、次回の来院時の患者類似性グラフで心不全 (HF) の発生率を予測します。
材料と方法: MIMIC-III データセットの電子医療記録 (EHR) を使用し、K 最近傍法 (KNN) アルゴリズムを適用して、診断、処置、投薬からの埋め込みを使用して患者類似性グラフを作成しました。
心不全の発生率を予測するために、GraphSAGE、グラフ アテンション ネットワーク (GAT)、およびグラフ トランスフォーマー (GT) の 3 つのモデルが実装されました。
モデルのパフォーマンスは、F1 スコア、AUROC、および AUPRC メトリクスを使用して評価され、結果はベースライン アルゴリズムと比較されました。
モデルの意思決定プロセスを理解するために、解釈可能性分析が実行されました。
結果: GT モデルが最高のパフォーマンスを示しました (F1 スコア: 0.5361、AUROC: 0.7925、AUPRC: 0.5168)。
ランダム フォレスト (RF) ベースラインは同様の AUPRC 値を達成しましたが、GT モデルはグラフ構造で患者関係を使用することにより解釈可能性が向上しました。
注意の重み、グラフの接続性、および臨床的特徴の共同分析により、さまざまな分類グループにわたるモデルの予測についての洞察が得られました。
考察と結論: GNN などのグラフベースのアプローチは、心不全を予測するための効果的なフレームワークを提供します。
患者類似性グラフを活用することで、GNN は EHR データ内の複雑な関係をキャプチャでき、予測精度と臨床解釈可能性が向上する可能性があります。

要約(オリジナル)

Objective: In modern healthcare, accurately predicting diseases is a crucial matter. This study introduces a novel approach using graph neural networks (GNNs) and a Graph Transformer (GT) to predict the incidence of heart failure (HF) on a patient similarity graph at the next hospital visit. Materials and Methods: We used electronic health records (EHR) from the MIMIC-III dataset and applied the K-Nearest Neighbors (KNN) algorithm to create a patient similarity graph using embeddings from diagnoses, procedures, and medications. Three models – GraphSAGE, Graph Attention Network (GAT), and Graph Transformer (GT) – were implemented to predict HF incidence. Model performance was evaluated using F1 score, AUROC, and AUPRC metrics, and results were compared against baseline algorithms. An interpretability analysis was performed to understand the model’s decision-making process. Results: The GT model demonstrated the best performance (F1 score: 0.5361, AUROC: 0.7925, AUPRC: 0.5168). Although the Random Forest (RF) baseline achieved a similar AUPRC value, the GT model offered enhanced interpretability due to the use of patient relationships in the graph structure. A joint analysis of attention weights, graph connectivity, and clinical features provided insight into model predictions across different classification groups. Discussion and Conclusion: Graph-based approaches such as GNNs provide an effective framework for predicting HF. By leveraging a patient similarity graph, GNNs can capture complex relationships in EHR data, potentially improving prediction accuracy and clinical interpretability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google