論文の概要: Graph Neural Networks for Heart Failure Prediction on an EHR-Based Patient Similarity Graph

• arxiv url: http://arxiv.org/abs/2411.19742v1
• Date: Fri, 29 Nov 2024 14:40:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:22:03.844233
• Title: Graph Neural Networks for Heart Failure Prediction on an EHR-Based Patient Similarity Graph
• Title（参考訳）: EHRに基づく患者類似グラフを用いた心不全予測のためのグラフニューラルネットワーク
• Authors: Heloisa Oss Boll, Ali Amirahmadi, Amira Soliman, Stefan Byttner, Mariana Recamonde-Mendoza,
• Abstract要約: 本研究では,グラフニューラルネットワーク(GNN)とグラフトランスフォーマー(GT)を用いた心不全の発生予測手法を提案する。 HFの発生を予測するために、GraphSAGE、Graph Attention Network(GAT)、Graph Transformer(GT)の3つのモデルが実装された。 GTモデルは最高のパフォーマンスを示した(F1スコア: 0.5361, AUROC: 0.7925, AUPRC: 0.5168)。
• 参考スコア（独自算出の注目度）: 1.4260605984981949
• License:
• Abstract: Objective: In modern healthcare, accurately predicting diseases is a crucial matter. This study introduces a novel approach using graph neural networks (GNNs) and a Graph Transformer (GT) to predict the incidence of heart failure (HF) on a patient similarity graph at the next hospital visit. Materials and Methods: We used electronic health records (EHR) from the MIMIC-III dataset and applied the K-Nearest Neighbors (KNN) algorithm to create a patient similarity graph using embeddings from diagnoses, procedures, and medications. Three models - GraphSAGE, Graph Attention Network (GAT), and Graph Transformer (GT) - were implemented to predict HF incidence. Model performance was evaluated using F1 score, AUROC, and AUPRC metrics, and results were compared against baseline algorithms. An interpretability analysis was performed to understand the model's decision-making process. Results: The GT model demonstrated the best performance (F1 score: 0.5361, AUROC: 0.7925, AUPRC: 0.5168). Although the Random Forest (RF) baseline achieved a similar AUPRC value, the GT model offered enhanced interpretability due to the use of patient relationships in the graph structure. A joint analysis of attention weights, graph connectivity, and clinical features provided insight into model predictions across different classification groups. Discussion and Conclusion: Graph-based approaches such as GNNs provide an effective framework for predicting HF. By leveraging a patient similarity graph, GNNs can capture complex relationships in EHR data, potentially improving prediction accuracy and clinical interpretability.
• Abstract（参考訳）: 目的:現代医療では、病気を正確に予測することが重要な問題である。 本研究は, グラフニューラルネットワーク(GNN)とグラフトランスフォーマー(GT)を用いて, 次の入院時の患者の類似性グラフにおける心不全(HF)の発生を予測する新しいアプローチを提案する。 材料と方法:MIMIC-IIIデータセットから電子健康記録(EHR)を用いて,K-Nearest Neighbors(KNN)アルゴリズムを用いて診断,手順,薬品の埋め込みを用いた患者類似性グラフを作成した。 HFの発生を予測するために、GraphSAGE、Graph Attention Network(GAT)、Graph Transformer(GT)の3つのモデルが実装された。 モデル性能をF1スコア,AUROC,AUPRC測定値を用いて評価し,ベースラインアルゴリズムと比較した。 モデルの意思決定過程を理解するために,解釈可能性分析を行った。 結果: GTモデルは最高の性能を示した(F1スコア: 0.5361, AUROC: 0.7925, AUPRC: 0.5168)。 ランダムフォレスト (RF) ベースラインも同様の AUPRC 値を達成したが,GT モデルではグラフ構造における患者関係の活用により解釈可能性の向上が図られた。 注意重み、グラフ接続性、臨床特徴の合同分析により、異なる分類群にわたるモデル予測の洞察が得られた。 議論と結論: GNNのようなグラフベースのアプローチは、HFを予測する効果的なフレームワークを提供する。 患者の類似性グラフを活用することで、GNNはEHRデータの複雑な関係を捉え、予測精度と臨床解釈可能性を向上させることができる。

関連論文リスト

• A Generative Framework for Predictive Modeling of Multiple Chronic Conditions Using Graph Variational Autoencoder and Bandit-Optimized Graph Neural Network [0.0]
  複数の慢性疾患(MCC)の出現を予測することは、早期介入とパーソナライズされた医療にとって重要である。 グラフニューラルネットワーク(GNN)は、MCCに見られるような複雑なグラフデータをモデリングするための効果的な手法である。 本稿では,データ分布を利用してグラフ構造を代表的に構築するGNNのための新しい生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-20T17:26:38Z)
• AdaMedGraph: Adaboosting Graph Neural Networks for Personalized Medicine [31.424781716926848]
  我々は,複数の患者類似性グラフを構築するために重要な特徴を自動選択するアルゴリズム,我が社の提案するアルゴリズムを提案する。 実世界の医療シナリオを2つ評価し,優れた成績を示した。
  論文  参考訳（メタデータ） (2023-11-24T06:27:25Z)
• Graph data modelling for outcome prediction in oropharyngeal cancer patients [38.37247384790338]
  グラフニューラルネットワーク(GNN)は、疾患の分類と予後予測のタスクにおいて、医療分野でますます人気が高まっている。 口腔咽頭癌(OPC)患者の2次予後予測のためのインダクティブ・ラーニング・セットアップで検討した患者ハイパーグラフ・ネットワーク(PHGN)を提案する。
  論文  参考訳（メタデータ） (2023-10-04T16:09:35Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data via Dynamic Graph Structure Learning [58.94034282469377]
  下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。 実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
  論文  参考訳（メタデータ） (2022-09-27T16:32:11Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• IA-GCN: Interpretable Attention based Graph Convolutional Network for Disease prediction [47.999621481852266]
  タスクに対する入力特徴の臨床的関連性を解釈する,解釈可能なグラフ学習モデルを提案する。 臨床シナリオでは、そのようなモデルは、臨床専門家が診断および治療計画のためのより良い意思決定を支援することができる。 本研究では,Tadpoleの平均精度が3.2%,UKBBジェンダーが1.6%,UKBB年齢予測タスクが2%と,比較方法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-29T13:04:02Z)
• Heterogeneous Similarity Graph Neural Network on Electronic Health Records [74.66674469510251]
  非均質な類似度グラフニューラルネットワーク(HSGNN)を提案し、新しい異種GNNでEHRを分析します。 フレームワークは2つの部分から構成される: 1つは前処理方式で、もう1つはエンドツーエンドのGNNである。 GNNは全ての同質グラフを入力として取り、それら全てを1つのグラフに融合して予測する。
  論文  参考訳（メタデータ） (2021-01-17T23:14:29Z)
• Deep Learning with Heterogeneous Graph Embeddings for Mortality Prediction from Electronic Health Records [2.2859570135269625]
  我々は、電子健康記録データ上に不均一グラフモデル(HGM)をトレーニングし、結果の埋め込みベクトルをコナールニューラルネットワーク(CNN)モデルに追加情報として使用して、院内死亡率を予測する。 CNNモデルにHGMを追加すると、死亡予測精度が最大4%向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-28T02:27:09Z)
• Latent-Graph Learning for Disease Prediction [44.26665239213658]
  我々は,GCNの下流における疾患分類の課題に向けて,一つの最適なグラフを学習することが可能であることを示す。 一般的に用いられているスペクトルGCNアプローチとは異なり、我々のGCNは空間的かつ誘導的であり、これまで見られなかった患者も推測できる。
  論文  参考訳（メタデータ） (2020-03-27T08:18:01Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。