Drugs Resistance Analysis from Scarce Health Records via Multi-task Graph Representation

要約

臨床医は、経験豊富な目で患者の健康記録を見て抗生物質を処方します。
ただし、患者に薬剤耐性がある場合、治療は無効になる可能性があります。
薬剤耐性の判定には時間のかかる実験室レベルのテストが必要ですが、医療記録を構成するカテゴリまたはバイナリの医療イベントが原因で、臨床医のヒューリスティックを自動化された方法で適用することは困難です。
この論文では、健康記録を、与えられた時間枠内のイベント間の対応として医療イベントとエッジからノードがマッピングされたグラフとして表示することにより、迅速な臨床介入のための新しいフレームワークを提案します。
次に、有益な特徴を抽出し、それらの高次元で希少なグラフから自動化された薬剤耐性分析を生成するために、新しいグラフベースのモデルが提案されます。
提案された方法は、複数の薬物の同時分析と学習の安定化のために、マルチタスク学習を共通の特徴抽出グラフエンコーダーに統合します。
110,000 人以上の尿路感染症患者を含む大規模なデータセットで、提案された方法が薬剤耐性予測問題で優れたパフォーマンスを達成できることを確認します。
さらに、モデル耐性分析に基づいて、実験室レベルのテストに似た自動化された薬の推奨も行うことができます。

要約(オリジナル)

Clinicians prescribe antibiotics by looking at the patient’s health record with an experienced eye. However, the therapy might be rendered futile if the patient has drug resistance. Determining drug resistance requires time-consuming laboratory-level testing while applying clinicians’ heuristics in an automated way is difficult due to the categorical or binary medical events that constitute health records. In this paper, we propose a novel framework for rapid clinical intervention by viewing health records as graphs whose nodes are mapped from medical events and edges as correspondence between events in given a time window. A novel graph-based model is then proposed to extract informative features and yield automated drug resistance analysis from those high-dimensional and scarce graphs. The proposed method integrates multi-task learning into a common feature extracting graph encoder for simultaneous analyses of multiple drugs as well as stabilizing learning. On a massive dataset comprising over 110,000 patients with urinary tract infections, we verify the proposed method is capable of attaining superior performance on the drug resistance prediction problem. Furthermore, automated drug recommendations resemblant to laboratory-level testing can also be made based on the model resistance analysis.

arxiv情報

著者 Honglin Shu,Pei Gao,Lingwei Zhu,Zheng Chen
発行日 2023-03-08 05:52:48+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG パーマリンク