Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Modelo de gráfico de autoconstrucción basado en similitud para predecir la criticidad del paciente mediante redes neuronales gráficas y datos de EHR

Created by
  • Haebom

Autor

Mukesh Kumar Sahu, Pinki Roy

Describir

Este artículo propone un modelo novedoso, el Modelo de Grafos Autoorganizados Basado en la Similitud (SBSCGM), que aprovecha la estructura relacional de los historiales clínicos electrónicos (HCE) para predecir el riesgo (p. ej., el riesgo de mortalidad) de los pacientes en la unidad de cuidados intensivos (UCI). SBSCGM construye dinámicamente un gráfico de similitud de pacientes a partir de datos de HCE de diversas modalidades y emplea una medida de similitud híbrida que combina la similitud basada en características y la estructural. HybridGraphMedGNN integra las capas GCN, GraphSAGE y GAT para obtener representaciones robustas de pacientes mediante el aprovechamiento de patrones de grafos locales y globales. Los resultados experimentales con el conjunto de datos MIMIC-III demuestran que el modelo propuesto alcanza un rendimiento de vanguardia (AUC-ROC 0,94), superando a los clasificadores existentes y a los modelos GNN de tipo único. Además, demuestra una precisión/recuperación mejoradas y demuestra que el mecanismo de atención proporciona información interpretable para las predicciones del modelo. Este marco ofrece una solución de predicción de riesgos de gestión de UCI escalable e interpretable y tiene el potencial de ayudar a los médicos en la implementación de UCI en el mundo real.

Takeaways, Limitations

•
Takeaways:
◦
Se propone un modelo de predicción de riesgos para pacientes de unidades de cuidados intensivos que considera la estructura de la relación entre pacientes mediante el uso de datos de EHR en varios modos.
◦
Se logró un rendimiento AUC-ROC mejorado (0,94) y una precisión/recuperación mejorada en comparación con los modelos existentes.
◦
Garantizar la interpretabilidad de las predicciones del modelo mediante mecanismos de atención.
◦
Presentando la posibilidad de apoyo clínico en un entorno real de unidad de cuidados intensivos.
•
Limitations:
◦
Dado que estos son resultados experimentales que utilizan el conjunto de datos MIMIC-III, es necesario verificar el rendimiento de generalización en otros conjuntos de datos.
◦
Se necesita más investigación sobre la escalabilidad del modelo y el rendimiento del procesamiento en tiempo real.
◦
Es necesario un análisis más profundo de la interpretabilidad del modelo.
◦
Es posible que se necesiten estudios adicionales que consideren otros factores de riesgo.
👍
Made with Slashpage