論文の概要: KAT-GNN: A Knowledge-Augmented Temporal Graph Neural Network for Risk Prediction in Electronic Health Records

• arxiv url: http://arxiv.org/abs/2511.01249v1
• Date: Mon, 03 Nov 2025 05:42:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.130267
• Title: KAT-GNN: A Knowledge-Augmented Temporal Graph Neural Network for Risk Prediction in Electronic Health Records
• Title（参考訳）: KAT-GNN:電子健康記録のリスク予測のための知識強化型時間グラフニューラルネットワーク
• Authors: Kun-Wei Lin, Yu-Chen Kuo, Hsin-Yao Wang, Yi-Ju Tseng,
• Abstract要約: KAT-GNNは、リスク予測のための臨床知識と時間ダイナミクスを統合するグラフベースのフレームワークである。 本研究は,Chang Gung Research Database (CGRD) を用いた冠状動脈疾患(CAD)予測とMIMIC-IIIおよびMIMIC-IVデータセットを用いた院内死亡予測の3つのデータセットおよび課題について評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical risk prediction using electronic health records (EHRs) is vital to facilitate timely interventions and clinical decision support. However, modeling heterogeneous and irregular temporal EHR data presents significant challenges. We propose \textbf{KAT-GNN} (Knowledge-Augmented Temporal Graph Neural Network), a graph-based framework that integrates clinical knowledge and temporal dynamics for risk prediction. KAT-GNN first constructs modality-specific patient graphs from EHRs. These graphs are then augmented using two knowledge sources: (1) ontology-driven edges derived from SNOMED CT and (2) co-occurrence priors extracted from EHRs. Subsequently, a time-aware transformer is employed to capture longitudinal dynamics from the graph-encoded patient representations. KAT-GNN is evaluated on three distinct datasets and tasks: coronary artery disease (CAD) prediction using the Chang Gung Research Database (CGRD) and in-hospital mortality prediction using the MIMIC-III and MIMIC-IV datasets. KAT-GNN achieves state-of-the-art performance in CAD prediction (AUROC: 0.9269 $\pm$ 0.0029) and demonstrated strong results in mortality prediction in MIMIC-III (AUROC: 0.9230 $\pm$ 0.0070) and MIMIC-IV (AUROC: 0.8849 $\pm$ 0.0089), consistently outperforming established baselines such as GRASP and RETAIN. Ablation studies confirm that both knowledge-based augmentation and the temporal modeling component are significant contributors to performance gains. These findings demonstrate that the integration of clinical knowledge into graph representations, coupled with a time-aware attention mechanism, provides an effective and generalizable approach for risk prediction across diverse clinical tasks and datasets.
• Abstract（参考訳）: 電子健康記録(EHR)を用いた臨床リスク予測は、タイムリーな介入と臨床決定支援を促進するために不可欠である。 しかし、不均一かつ不規則な時間的EHRデータのモデリングには大きな課題がある。 本稿では,リスク予測のための臨床知識と時間的ダイナミクスを統合したグラフベースのフレームワークである‘textbf{KAT-GNN}(Knowledge-Augmented Temporal Graph Neural Network)を提案する。 KAT-GNNはまず、EHRからモダリティ特異的な患者グラフを構築する。 これらのグラフは,(1)SNOMED CTから抽出したオントロジー駆動エッジと,(2)EHRから抽出した共起前駆体という2つの知識源を用いて拡張される。 その後、タイムアウェア・トランスフォーマーを用いて、グラフ符号化された患者表現から縦方向のダイナミクスをキャプチャする。 KAT-GNNは、Chang Gung Research Database(CGRD)を用いた冠状動脈疾患(CAD)予測と、MIMIC-IIIおよびMIMIC-IVデータセットを用いた院内死亡予測の3つの異なるデータセットとタスクに基づいて評価されている。 KAT-GNNはCAD予測における最先端のパフォーマンス(AUROC: 0.9269 $\pm$ 0.0029)を達成し、MIMIC-III(AUROC: 0.9230 $\pm$ 0.0070)とMIMIC-IV(AUROC: 0.8849 $\pm$ 0.0089)の死亡予測において強い結果を示した。 アブレーション研究は、知識に基づく強化と時間的モデリングの両方が、パフォーマンス向上に重要な貢献であることを確認する。 これらの結果から,臨床知識のグラフ表現への統合とタイムアウェアメント機構が組み合わさって,様々な臨床課題やデータセットにまたがるリスク予測に効果的で一般化可能なアプローチであることが示唆された。

関連論文リスト

• Similarity-Based Self-Construct Graph Model for Predicting Patient Criticalness Using Graph Neural Networks and EHR Data [0.46040036610482665]
  マルチモーダルEHRデータから患者類似性グラフを構築する類似性に基づく自己構築グラフモデル(SBSCGM)を提案する。 HybridGraphMedGNNアーキテクチャは、患者死亡率と連続臨界スコアを予測するために、このグラフ上で動作する。 我々のフレームワークは、クリティカルケアリスク予測のためのスケーラブルで解釈可能なソリューションを提供し、実際のICUデプロイメントで臨床医を支援する可能性がある。
  論文  参考訳（メタデータ） (2025-08-01T13:25:04Z)
• TA-RNN: an Attention-based Time-aware Recurrent Neural Network Architecture for Electronic Health Records [0.0]
  リカレントニューラルネットワーク(RNN)のような深層学習手法を用いて、ERHを分析して疾患の進行をモデル化し、診断を予測する。 本研究では,TA-RNN(Time-Aware RNN)とTA-RNN-Autoencoder(TA-RNN-AE)という,RNNに基づく2つの解釈可能なDLアーキテクチャを提案する。 本研究では,不規則な時間間隔の影響を軽減するため,訪問時間間の時間埋め込みを取り入れることを提案する。
  論文  参考訳（メタデータ） (2024-01-26T07:34:53Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Contrastive Learning-based Imputation-Prediction Networks for In-hospital Mortality Risk Modeling using EHRs [9.578930989075035]
  本稿では, EHRデータを用いた病院内死亡リスク予測のための, 対照的な学習ベース予測ネットワークを提案する。 本研究は, グラフ解析に基づく患者層形成モデルを用いて, 似通った患者をグループ化する手法を提案する。 2つの実世界のEHRデータセットの実験により、我々のアプローチは、計算タスクと予測タスクの両方において最先端のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-19T03:24:34Z)
• GraphCare: Enhancing Healthcare Predictions with Personalized Knowledge Graphs [44.897533778944094]
  textscGraphCareは、外部知識グラフを使用してEHRベースの予測を改善するオープンワールドフレームワークである。 本手法は,患者固有のKGを構築するために,大規模言語モデル(LLM)と外部生物医学的KGから知識を抽出する。 textscGraphCareは、4つの重要な医療予測タスクのベースラインを超えている。
  論文  参考訳（メタデータ） (2023-05-22T07:35:43Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。