MiGHT-EHR: A Multi-task Graph Transformer for Heterogeneous Temporal Electronic Health Records
MiGHT-EHR ist ein neuartiger Multi-Task-Graph-Transformer, der die Modellierung heterogener klinischer Entitäten, temporaler Patientenverläufe und gemeinsam genutzter Aufgabenabhängigkeiten innerhalb eines einzigen Repräsentationslern-Frameworks vereinigt und so eine erstklassige Leistung sowie klinische Interpretierbarkeit über mehrere Vorhersageaufgaben auf MIMIC-Datensätzen hinweg erreicht.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, die Lebensgeschichte einer Person zu verstehen, aber anstatt ein Tagebuch zu lesen, wird Ihnen ein riesiger, chaotischer Haufen Klebezettel überreicht. Auf einigen Zetteln steht „beim Arzt gewesen“, auf anderen „diese Tablette genommen“ und auf wieder anderen „Bein gebrochen“. In der Welt der Medizin werden diese Notizen als elektronische Gesundheitsakten (Electronic Health Records, EHRs) bezeichnet. Lange Zeit haben Computer versucht, aus diesen Notizen zu lernen, um vorherzusagen, was als Nächstes passieren könnte, wie zum Beispiel, ob ein Patient wieder krank wird oder wie lange er im Krankenhaus bleiben wird. Aber hier ist der knifflige Teil: Diese Notizen sind nicht einfach eine einfache Liste. Sie sind ein verwobenes Netz. Ein Patient ist nicht nur eine Liste von Ereignissen; ein Patient ist ein Mensch, der viele verschiedene Arten von Interaktionen (wie Diagnosen, Operationen und Verschreibungen) über die Zeit hinweg hat. Einige Notizen sind miteinander verbunden, weil sie am selben Tag passierten, manche, weil sie letztes Jahr passierten, und manche, weil sie statistisch gesehen wahrscheinlich zusammen auftreten.
Um dieses Chaos zu entwirren, verwenden Wissenschaftler ein Werkzeug namens „Graph“. Stellen Sie sich einen Graphen wie einen U-Bahn-Netzplan vor. Die Stationen sind die verschiedenen medizinischen Dinge (wie „Diabetes“ oder „Herzinfarkt“) und die Zuglinien sind die Verbindungen zwischen ihnen. Einige alte Karten zeigten nur die Reihenfolge der Haltestellen (Zeit), während andere nur zeigten, welche Stationen nah beieinander lagen (Beziehungen). Aber das echte Leben ist eine Mischung aus beidem. Wenn ein Computer nicht die ganze Karte sehen kann – sowohl die Zeit als auch die Beziehungen –, könnte er das große Ganze übersehen. Das ist das Problem, das die Arbeit angeht: Wie bauen wir eine Karte, die die Zeit, die verschiedenen Arten von medizinischen Notizen und die verborgenen Verbindungen zwischen ihnen alle gleichzeitig erfasst, um die Zukunft genauer vorherzusagen?
Die Forscher hinter dieser Arbeit, MiGHT-EHR, beschlossen, eine superintelligente Karte zu bauen, die genau das tut. Sie nennen ihre Methode einen „Multi-Task Graph Transformer“. Lassen Sie uns das aufschlüsseln. Zuerst verwandelten sie die Patientenakten in einen riesigen, lebendigen U-Bahn-Netzplan. In diesem Plan sind die „Stationen“ nicht nur eine Sache; sie sind Patienten, Krankenhausbesuche, Diagnosen, Operationen und Medikamente. Sie verbanden diese Stationen mit drei Arten von Zuglinien: Linien, die zeigen, welcher Patient zu welchem Besuch ging, Linien, die die Reihenfolge der Besuche zeigen (wie ein Zeitstrahl), und Linien, die medizinische Konzepte verbinden, die oft zusammen auftreten. Aber sie haben die Dinge nicht einfach nur deshalb verbunden, weil sie zusammen auftraten, sondern sie verwendeten einen speziellen mathematischen Trick namens „normalisierte punktweise Mutual Information“, um sicherzustellen, dass die Verbindungen tatsächlich aussagekräftig waren und nicht nur, weil zwei häufige Dinge zufällig oft gemeinsam vorkamen.
Nachdem die Karte erstellt worden war, brachten sie einem Computer bei, sie mithilfe eines „Transformers“ zu lesen, was wie ein superaufmerksamer Leser ist, der die ganze Karte auf einmal betrachten kann. Dieser Leser schenkt dem Zeitstrahl besondere Aufmerksamkeit und erinnert sich an die vergangenen Besuche eines Patienten, um dessen aktuelle Situation zu verstehen. Das Coolste daran ist, dass dieser einzelne Computermodell lernte, vier verschiedene Aufgaben gleichzeitig zu erledigen: vorherzusagen, ob ein Patient stirbt, ob er wieder im Krankenhaus aufgenommen wird, wie lange er bleiben wird und welche Medikamente ihm verschrieben werden sollten. Normalerweise werden Computer darauf trainiert, eine Aufgabe gut zu machen, aber dieses Modell wurde darauf trainiert, alle vier Aufgaben gleichzeitig auszubalancieren, damit keine einzelne Aufgabe den Lernprozess dominiert.
Als sie diesen neuen Kartenleser auf zwei riesigen Datenbanken mit echten Patientenakten (MIMIC-III und MIMIC-IV) testeten, vollbrachte er etwas Erstaunliches. Er schlug alle anderen Top-Methoden im Durchschnitt. Er war besonders gut darin, die Sterblichkeit (Mortality) und die Wiederaufnahme (Readmission) vorherzusagen, was notoriously schwierig richtig zu erfassen ist. Die Forscher schauten auch in das „Gehirn“ ihres Modells, um zu sehen, was es gelernt hatte. Sie fanden heraus, dass das Modell Patienten basierend auf ihren gesundheitlichen Ergebnissen gruppierte, nicht nur nach ihren Diagnosen. Es lernte auch, dass bestimmte medizinische Konzepte, wie Probleme des „Kreislaufsystems“, als klare, gerade Linien in seinem mathematischen Raum zu finden waren. Schließlich waren die berechneten Wahrscheinlichkeiten gut kalibriert, was bedeutet, dass das Modell, wenn es sagte, dass eine Wahrscheinlichkeit von 70 % für ein Ereignis besteht, tatsächlich in etwa 70 % der Fälle richtig lag.
Die Arbeit legt nahe, dass, indem wir Patientenakten als ein komplexes, zeitbasiertes Geflecht verschiedener Beziehungen anstatt als eine einfache Liste behandeln, wir viel bessere Werkzeuge bauen können, um Ärzten bei Entscheidungen zu helfen. Es hat nicht nur geraten; es hat seinen Punkt mit Daten von über 200.000 Patienten in nur einer Datenbank bewiesen. Obwohl es nicht jedes medizinische Rätsel gelöst hat, hat es gezeigt, dass das Betrachten des gesamten Bildes – Zeit, Beziehungen und mehrere Ziele zusammen – den Computer zu einem viel besseren Schüler der menschlichen Gesundheit macht.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.