Predicting clinical outcomes from patient care pathways represented with temporal knowledge graphs
作者: Jong Ho Jhee, Alberto Megina, Pacôme Constant Dit Beaufils, Matilde Karakachoff, Richard Redon, Alban Gaignard, Adrien Coulet
发布时间: 2025-03-03
来源: arxiv
研究方向: 医疗预测建模与知识图谱嵌入
主要内容
该研究旨在通过知识图谱嵌入技术，预测颅内动脉瘤患者的临床结局。研究者构建了一个合成但具有现实性的数据集，并比较了基于表格数据和基于图表示的数据在预测临床结局方面的性能。
主要贡献
1. 提出了一种基于知识图谱嵌入的颅内动脉瘤患者临床结局预测方法。
2. 构建了一个合成但具有现实性的颅内动脉瘤患者治疗路径数据集。
3. 比较了不同图嵌入方法和时间表示方法对预测性能的影响。
4. 强调了采用合适的图表示方案和考虑个体数据中的文字值的重要性。
研究方法
1. 图嵌入技术，包括TransE、RDF2Vec和RGCN+lit。
2. 知识图谱构建，使用SPHN和CARE-SM本体。
3. 时间表示，包括无时间信息、仅时间戳、仅时间关系和两者结合。
4. 图卷积网络（GCN）进行节点分类，预测患者结局。
实验结果
实验结果表明，RGCN+lit模型在预测颅内动脉瘤患者临床结局方面优于其他方法。采用SPHN本体比CARE-SM本体更有效。时间表示对预测性能的影响不大。
未来工作
未来工作将包括：评估不同患者特征对预测结局的影响，开发能够处理多模态文字值的模型，以及进行临床验证。