Core Concepts
전자 건강 기록(EHR) 데이터의 복잡한 그래프 구조를 효과적으로 모델링하여 노드 분류 및 환자 재입원 예측 등의 의료 분야 과제에서 우수한 성능을 달성하였다.
Abstract
이 연구에서는 전자 건강 기록(EHR) 데이터의 복잡한 그래프 구조를 효과적으로 모델링하기 위해 그래프 주의 신경망(Graph Attention Network, GAT)을 활용하였다.
먼저 의료 서비스 간 동시 발생 빈도를 기반으로 서비스 임베딩을 생성하였다.
이후 환자 방문 기록을 24시간 단위로 세분화하여 방문 임베딩을 생성하였다.
이 과정에서 현재 24시간 내 발생한 의료 코드와 다음 24시간 내 발생할 의료 코드를 예측하는 보조 과제를 도입하여 방문 임베딩을 개선하였다.
실험 결과, 제안한 HealthGAT 모델이 기존 방식들에 비해 노드 분류와 환자 재입원 예측 등의 과제에서 우수한 성능을 보였다.
Stats
전체 환자 진단 중 심혈관계 질환이 26.04%를 차지한다.
신장, 폐, 감염, 위장, 종양, 신경계 질환에 대한 재입원 예측 성능이 AUROC 0.57-0.85, AUPRC 0.16-0.46, F1 0.58-0.92로 나타났다.
Quotes
"전자 건강 기록(EHR) 데이터는 방대한 양의 환자 상호작용과 다양한 의료 정보를 포함하고 있지만, 이를 효율적으로 활용하기 위해서는 상당한 장애물이 존재한다."
"그래프 신경망(GNN)은 EHR 데이터의 그래프 구조를 효과적으로 모델링할 수 있는 유망한 프레임워크를 제공한다."