HealthGAT: Node Classifications in Electronic Health Records using Graph Attention Networks

电子健康记录（EHR）已广泛应用于医疗保健的各个领域，但大多数应用程序使用原始（表格）格式的EHR。依赖原始或简单的数据预处理可能会严重限制使用EHR进行下游任务的性能甚至适用性。为了解决这个挑战，我们提出了HealthGAT，这是一个新颖的图注意力网络框架，利用分层方法从EHR生成嵌入，超越传统的基于图的方法。我们的模型迭代地改进医学代码的嵌入，从而改善了EHR数据分析。我们还介绍了定制的以EHR为中心的辅助预训练任务，以利用嵌入在数据中的丰富医学知识。这种方法提供了对复杂医学关系的全面分析，并在标准数据表示技术上取得了显着进展。通过与已建立的方法的全面评估，HealthGAT已在各种医疗保健场景中证明了其有效性。具体而言，我们的模型在节点分类和下游任务（如预测再入院和诊断分类）方面表现出色。 我们的代码可在https://github.com/healthylaife/HealthGAT 上获得。

本论文旨在解决电子病历在医疗保健中的数据预处理问题，提出了一种利用层次化方法从EHR生成嵌入的图注意力网络框架HealthGAT。

HealthGAT采用自定义的EHR中心辅助预训练任务来利用数据中嵌入的丰富医学知识，迭代地改进医疗代码的嵌入，从而提高EHR数据分析的性能。

论文在各种医疗保健场景下进行了广泛的评估，并展示了HealthGAT在节点分类和预测复诊和诊断分类等下游任务中的优异性能。代码已在GitHub上开源。

在这个领域中，最近的相关研究包括《Learning Representations from Electronic Health Records with Deep Autoencoders》和《A survey on deep learning in medical image analysis》等。