TACCO: Task-guided Co-clustering of Clinical Concepts and Patient Visits for Disease Subtyping based on EHR Data

要約

適切に整理された電子医療記録 (EHR) データの利用可能性が高まったことにより、病気のリスク予測に向けたさまざまな機械学習モデルの開発が可能になりました。
しかし、既存のリスク予測方法は複雑な疾患の不均一性を見落としており、対応する患者の来院や臨床概念のサブグループに関して潜在的な疾患のサブタイプをモデル化できていません。
この研究では、EHR データのハイパーグラフ モデリングに基づいて臨床概念と患者の訪問のクラスターを共同で発見する新しいフレームワークである TACCO を紹介します。
具体的には、特定の疾患のリスク予測タスクによってガイドできる、新しい自己監視型共クラスタリング フレームワークを開発します。
さらに、テキスト埋め込みを使用して EHR データのハイパーグラフ モデルを強化し、対照的な目的を通じて臨床概念と患者の訪問のクラスター間の調整を強化します。
表現型分類と心血管リスク予測の下流の臨床タスクに関して、公開 MIMIC-III データセットと Emory 内部 CRADLE データセットで行われた包括的な実験では、従来の ML ベースラインと比較して平均 31.25% のパフォーマンス向上が示され、バニラ ハイパーグラフと比較して 5.26% の向上が実証されました。
共同クラスタリングメカニズムを使用しないモデル。
詳細なモデル分析、クラスタリング結果分析、および臨床ケーススタディにより、TACCO によって提供される改善されたユーティリティと洞察力に富んだ解釈がさらに検証されます。
コードは https://github.com/PericlesHat/TACCO で入手できます。

要約(オリジナル)

The growing availability of well-organized Electronic Health Records (EHR) data has enabled the development of various machine learning models towards disease risk prediction. However, existing risk prediction methods overlook the heterogeneity of complex diseases, failing to model the potential disease subtypes regarding their corresponding patient visits and clinical concept subgroups. In this work, we introduce TACCO, a novel framework that jointly discovers clusters of clinical concepts and patient visits based on a hypergraph modeling of EHR data. Specifically, we develop a novel self-supervised co-clustering framework that can be guided by the risk prediction task of specific diseases. Furthermore, we enhance the hypergraph model of EHR data with textual embeddings and enforce the alignment between the clusters of clinical concepts and patient visits through a contrastive objective. Comprehensive experiments conducted on the public MIMIC-III dataset and Emory internal CRADLE dataset over the downstream clinical tasks of phenotype classification and cardiovascular risk prediction demonstrate an average 31.25% performance improvement compared to traditional ML baselines and a 5.26% improvement on top of the vanilla hypergraph model without our co-clustering mechanism. In-depth model analysis, clustering results analysis, and clinical case studies further validate the improved utilities and insightful interpretations delivered by TACCO. Code is available at https://github.com/PericlesHat/TACCO.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google