Balancing Interpretability and Flexibility in Modeling Diagnostic Trajectories with an Embedded Neural Hawkes Process Model

要約

ホークスプロセス（HP）は、一般に、電子健康記録（EHR）を含む自己強化ダイナミクスを備えたイベントシーケンスをモデル化するために使用されます。
従来のHPSは、各イベントが他のイベントの強度をどのように調節するかを理解するために検査できるパラメトリックインパクト関数を介して自己強化をキャプチャします。
ニューラルネットワークベースのHPSは柔軟性を高め、適合性と予測のパフォーマンスが向上しますが、解釈可能性を犠牲にして、これはしばしばヘルスケアで重要です。
この作業では、このトレードオフを理解し、改善することを目指しています。
衝撃関数が、多くのイベントタイプの大規模なイベントシーケンスをモデル化できるイベントスペースを埋め込むイベントスペースでインスタンス化された柔軟な衝撃カーネルを定義することによってモデル化される新しいHP定式化を提案します。
このアプローチは、従来のHPSよりも柔軟性があり、他のニューラルネットワークアプローチよりも解釈可能であり、トランスエンコーダーレイヤーを追加してイベントの埋め込みをさらにコンテキスト化することにより、解釈性の柔軟性を明示的に交換できます。
結果は、この方法がシミュレーションでインパクト関数を正確に回復し、模倣IVプロシージャデータセットで競争力のあるパフォーマンスを達成し、変圧器層がなくても子供診断データセットを使用してXX-EHRで臨床的に意味のある解釈を獲得することを示しています。
これは、EHRや他のデータで自己強化ダイナミクスを効果的にキャプチャするのに柔軟な影響カーネルがしばしば十分であり、パフォーマンスを失うことなく解釈可能性を維持できることを意味することを示唆しています。

要約(オリジナル)

The Hawkes process (HP) is commonly used to model event sequences with self-reinforcing dynamics, including electronic health records (EHRs). Traditional HPs capture self-reinforcement via parametric impact functions that can be inspected to understand how each event modulates the intensity of others. Neural network-based HPs offer greater flexibility, resulting in improved fit and prediction performance, but at the cost of interpretability, which is often critical in healthcare. In this work, we aim to understand and improve upon this tradeoff. We propose a novel HP formulation in which impact functions are modeled by defining a flexible impact kernel, instantiated as a neural network, in event embedding space, which allows us to model large-scale event sequences with many event types. This approach is more flexible than traditional HPs yet more interpretable than other neural network approaches, and allows us to explicitly trade flexibility for interpretability by adding transformer encoder layers to further contextualize the event embeddings. Results show that our method accurately recovers impact functions in simulations, achieves competitive performance on MIMIC-IV procedure dataset, and gains clinically meaningful interpretation on XX-EHR with children diagnosis dataset even without transformer layers. This suggests that our flexible impact kernel is often sufficient to capture self-reinforcing dynamics in EHRs and other data effectively, implying that interpretability can be maintained without loss of performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google