MiGHT-EHR: A Multi-task Graph Transformer for Heterogeneous Temporal Electronic Health Records
MiGHT-EHR est un nouveau transformateur de graphes multi-tâches qui unifie la modélisation d'entités cliniques hétérogènes, de trajectoires temporelles de patients et de dépendances de tâches partagées au sein d'un cadre unique d'apprentissage de représentations, atteignant des performances de pointe et une interprétabilité clinique à travers de multiples tâches de prédiction sur les ensembles de données MIMIC.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Imaginez que vous essayiez de comprendre l'histoire de la vie d'une personne, mais qu'au lieu de lire un journal intime, on vous remette une pile massive et chaotique de post-it. Certains notes disent « a vu un médecin », d'autres « a pris ce médicament », ou encore « s'est cassé la jambe ». Dans le monde de la médecine, ces notes sont appelées Dossiers Médicaux Électroniques (DME). Pendant longtemps, les ordinateurs ont essayé d'apprendre de ces notes pour prédire ce qui pourrait arriver ensuite, comme si un patient allait retomber malade ou combien de temps il restera à l'hôpital. Mais voici le piège : ces notes ne sont pas une simple liste. Elles sont un réseau entrelacé. Un patient n'est pas seulement une liste d'événements ; c'est une personne qui a de nombreuses interactions différentes (comme des diagnostics, des chirurgies et des prescriptions) qui se produisent au fil du temps. Certaines notes sont connectées parce qu'elles ont eu lieu le même jour, d'autres parce qu'elles ont eu lieu l'année dernière, et d'autres encore parce qu'elles sont statistiquement susceptibles de se produire ensemble.
Pour donner un sens à ce désordre, les scientifiques utilisent un outil appelé « graphe ». Pensez à un graphe comme à un plan de métro. Les stations sont les différentes choses médicales (comme le « diabète » ou la « crise cardiaque ») et les lignes de train sont les connexions entre elles. Certains anciens plans ne montraient que l'ordre des arrêts (le temps), tandis que d'autres ne montraient que quelles stations étaient proches les unes des autres (les relations). Mais la vraie vie est un mélange des deux. Si un ordinateur ne peut pas voir toute la carte — à la fois le temps et les relations — il risque de passer à côté de l'image globale. C'est le problème que traite cet article : comment construire une carte qui capture le temps, les différents types de notes médicales et les connexions cachées entre elles, tout cela en même temps, afin de prédire l'avenir plus précisément ?
Les chercheurs derrière cet article, MiGHT-EHR, ont décidé de construire une carte super intelligente qui fait exactement cela. Ils appellent leur méthode un « Multi-task Graph Transformer » (Transformeur de Graphe Multi-tâches). Décomposons cela. Tout d'abord, ils ont transformé les dossiers des patients en un immense plan de métro vivant. Dans ce plan, les « stations » ne sont pas seulement une chose ; ce sont des patients, des visites hospitalières, des diagnostics, des chirurgies et des médicaments. Ils ont connecté ces stations par trois types de lignes de train : des lignes qui montrent quel patient est allé à quelle visite, des lignes qui montrent l'ordre des visites (comme une chronologie), et des lignes qui connectent des concepts médicaux qui apparaissent souvent ensemble. Mais ils ne se sont pas contentés de connecter des choses qui semblaient apparaître ensemble ; ils ont utilisé une astuce mathématique spéciale appelée « information mutuelle point par point normalisée » pour s'assurer que les connexions étaient réellement significatives et non simplement dues au fait que deux choses communes étaient fréquentes.
Une fois le plan construit, ils ont appris à un ordinateur à le lire en utilisant un « Transformer », qui est comme un lecteur hyper attentif capable de regarder l'ensemble de la carte d'un seul coup d'œil. Ce lecteur prête une attention particulière à la chronologie, se souvenant de ce qui s'est passé lors des visites passées d'un patient pour comprendre sa situation actuelle. Le plus cool est que ce modèle informatique unique a appris à accomplir quatre tâches différentes en même temps : prédire si un patient allait mourir, s'il serait réadmis à l'hôpital, combien de temps il resterait et quels médicaments devraient lui être prescrits. Habitement, les ordinateurs sont entraînés pour faire une seule tâche avec succès, mais ce modèle a été entraîné pour équilibrer ces quatre tâches, en veillant à ce qu'aucune tâche ne domine le processus d'apprentissage.
Lorsqu'ils ont testé ce lecteur de cartes sur deux énormes bases de données de dossiers réels de patients (MIMIC-III et MIMIC-IV), il a fait quelque chose d'incroyable. Il a battu toutes les autres méthodes de pointe en moyenne. Il était particulièrement performant pour prédire la mortalité et la réadmission, des prédictions notoirement difficiles à réussir. Les chercheurs ont également regardé à l'intérieur du « cerveau » de leur modèle pour voir ce qu'il avait appris. Ils ont découvert que le modèle regroupait naturellement les patients en fonction de leurs résultats de santé, et non pas seulement de leurs diagnostics. Il a aussi appris que certains concepts médicaux, comme les problèmes du « système circulatoire », pouvaient être trouvés sous forme de lignes droites et claires dans son espace mathématique. Enfin, les probabilités qu'il donnait étaient bien calibrées, ce qui signifie que lorsqu'il disait qu'il y avait 70 % de chances que quelque chose arrive, il avait raison environ 70 % du temps.
L'article suggère qu'en traitant les dossiers des patients comme un réseau complexe de différentes relations basées sur le temps plutôt que comme une simple liste, nous pouvons construire de bien meilleurs outils pour aider les médecins à prendre des décisions. Il ne s'est pas contenté de deviner ; il a prouvé son point de vue avec des données provenant de plus de 200 000 patients dans une seule base de données. Bien qu'il n'ait pas résolu tous les mystères médicaux, il a montré qu'en regardant l'image globale — le temps, les relations et les multiples objectifs ensemble — l'ordinateur devient un bien meilleur étudiant de la santé humaine.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.