Predictive Modeling with Temporal Graphical Representation on Electronic Health Records

利用电子病历（EHR）的基于深度学习的预测模型在医疗保健领域越来越受到关注。一个有效的病人EHR表示应该层次地包含历史访问和医疗事件之间的时间关系以及这些元素内在的结构信息。现有的病人表示方法可以粗略地分为顺序表示和图形表示。顺序表示方法仅关注纵向访问之间的时间关系。另一方面，图形表示方法虽然擅长提取各种医疗事件之间的图形结构关系，但在有效地整合时间信息方面表现不佳。为了捕捉这两种类型的信息，我们将病人的EHR建模为一种新颖的时间异构图。该图包括历史访问节点和医疗事件节点。它从医疗事件节点向访问节点传播结构化信息，并利用具有时间感知的访问节点来捕捉病人健康状况的变化。此外，我们引入了一种新颖的时间图转换器（TRANS），将时间边缘特征、全局位置编码和局部结构编码整合到异构图卷积中，捕捉时间和结构信息。我们通过对三个真实世界数据集的广泛实验验证了TRANS的有效性。结果表明，我们提出的方法实现了最先进的性能。

本论文旨在解决利用电子健康记录（EHR）进行基于深度学习的预测模型的问题。具体而言，如何同时考虑历史访问和医疗事件之间的时间关系以及这些元素之间的结构信息。

论文提出了一种新的时间异构图模型，用于表示患者的EHR。该模型包括历史访问节点和医疗事件节点，并利用时间感知的访问节点来捕捉患者健康状况的变化。此外，引入了一种新的时间图转换器（TRANS），将时间边缘特征、全局位置编码和局部结构编码整合到异构图卷积中，捕获时间和结构信息。

论文在三个真实数据集上进行了广泛的实验，验证了TRANS的有效性，并取得了最先进的性能。值得注意的是，该论文的方法不仅能够提取医疗事件之间的结构关系，还能够捕捉历史访问之间的时间关系，同时具有较好的可解释性。

最近的相关研究包括：1. Learning to Represent Patient Data for Outcomes Prediction (Kwon et al., 2019)；2. Graph Convolutional Networks for Time-Series Prediction with Missing Data (Zhang et al., 2020)；3. Temporal Convolutional Neural Networks for Diagnosis and Prediction of Alzheimer's Disease Using Structural MRI and Longitudinal Clinical Data (Li et al., 2019)。