A Generative Framework for Predictive Modeling of Multiple Chronic Conditions Using Graph Variational Autoencoder and Bandit-Optimized Graph Neural Network

要約

MCCが患者の転帰とヘルスケアコストに大きな影響を与えるため、複数の慢性疾患（MCC）の出現（MCC）の出現を予測することは重要です。
グラフニューラルネットワーク（GNNS）は、MCCに見られるような複雑なグラフデータをモデル化するための効果的な方法です。
ただし、GNNSの重要な課題は、既存のグラフ構造に依存することです。これは、MCCが容易に入手できません。
この課題に対処するために、データの分布を利用してMCCの予測分析を強化することにより、代表的な基礎となるグラフ構造を構築するGNNの新しい生成フレームワークを提案します。
私たちのフレームワークでは、グラフ変異オートエンコーダー（GVAE）を採用して、患者データの複雑な関係をキャプチャします。
これにより、個々の健康軌跡を包括的に理解することができ、元の機能セットを保持しながら、多様な患者の確率的類似性グラフの作成を促進します。
次に、GVAEデコーダーから生成された患者の確率的類似性グラフのこれらのバリエーションは、新しいLaplacian Remulization技術を使用してGNNによって処理され、時間の経過とともにグラフ構造を改良し、MCCの予測精度を向上させます。
コンテキストバンディットは、確率的に生成されたグラフを評価し、モデルの収束までGNNモデルの最良のパフォーマンスグラフを反復的に識別するように設計されています。
MCC患者の大規模コホート（n = 1,592）で、$ \ varepsilon $ greedyおよびMulti-aremed Banditアルゴリズムに対する提案されたコンテキストバンディットアルゴリズムのパフォーマンスを検証します。
これらの進歩は、予測医療分析を変換するための提案されたアプローチの可能性を強調し、MCC管理に対するよりパーソナライズされ積極的なアプローチを可能にします。

要約(オリジナル)

Predicting the emergence of multiple chronic conditions (MCC) is crucial for early intervention and personalized healthcare, as MCC significantly impacts patient outcomes and healthcare costs. Graph neural networks (GNNs) are effective methods for modeling complex graph data, such as those found in MCC. However, a significant challenge with GNNs is their reliance on an existing graph structure, which is not readily available for MCC. To address this challenge, we propose a novel generative framework for GNNs that constructs a representative underlying graph structure by utilizing the distribution of the data to enhance predictive analytics for MCC. Our framework employs a graph variational autoencoder (GVAE) to capture the complex relationships in patient data. This allows for a comprehensive understanding of individual health trajectories and facilitates the creation of diverse patient stochastic similarity graphs while preserving the original feature set. These variations of patient stochastic similarity graphs, generated from the GVAE decoder, are then processed by a GNN using a novel Laplacian regularization technique to refine the graph structure over time and improves the prediction accuracy of MCC. A contextual Bandit is designed to evaluate the stochastically generated graphs and identify the best-performing graph for the GNN model iteratively until model convergence. We validate the performance of the proposed contextual Bandit algorithm against $\varepsilon$-Greedy and multi-armed Bandit algorithms on a large cohort (n = 1,592) of patients with MCC. These advancements highlight the potential of the proposed approach to transform predictive healthcare analytics, enabling a more personalized and proactive approach to MCC management.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google