Predicting clinical outcomes from patient care pathways represented with temporal knowledge graphs

要約

背景：ヘルスケアデータの可用性が向上すると、予測モデリングは、さまざまな条件のリスクのレベルの評価など、生物医学ドメインで多くのアプリケーションを見つけ、臨床的意思決定を導くことができます。
ただし、知識グラフのデータ表現とその埋め込みは、一部の設定で競争力があるものが、生物医学的予測モデリングにどのように関心があるかは不明です。
方法：頭蓋内動脈瘤の患者の合成が現実的なデータをシミュレートし、臨床結果を予測するタスクについて実験しました。
同じデータのグラフベースの表現と、表形式データのさまざまな分類アプローチのパフォーマンスを比較しました。
次に、最初の個々のデータと2番目の時間データを表現するための採用されたスキーマが予測パフォーマンスにどのように影響するかを調査しました。
結果：私たちの研究は、私たちの場合、グラフ表現とグラフの畳み込みネットワーク（GCN）の埋め込みが、観察データからの予測タスクの最良のパフォーマンスに達することを示しています。
採用されたスキーマの重要性と、個々のデータの表現におけるリテラル値の考慮の重要性を強調します。
また、私たちの研究は、GCNパフォーマンスに対するさまざまな時間エンコーディングの相対的な影響も緩和されています。

要約(オリジナル)

Background: With the increasing availability of healthcare data, predictive modeling finds many applications in the biomedical domain, such as the evaluation of the level of risk for various conditions, which in turn can guide clinical decision making. However, it is unclear how knowledge graph data representations and their embedding, which are competitive in some settings, could be of interest in biomedical predictive modeling. Method: We simulated synthetic but realistic data of patients with intracranial aneurysm and experimented on the task of predicting their clinical outcome. We compared the performance of various classification approaches on tabular data versus a graph-based representation of the same data. Next, we investigated how the adopted schema for representing first individual data and second temporal data impacts predictive performances. Results: Our study illustrates that in our case, a graph representation and Graph Convolutional Network (GCN) embeddings reach the best performance for a predictive task from observational data. We emphasize the importance of the adopted schema and of the consideration of literal values in the representation of individual data. Our study also moderates the relative impact of various time encoding on GCN performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google