论文
通过基于严重性的知识图和检索增强生成进行轨迹感知临床风险预测
Trajectory-Aware Clinical Risk Prediction via Severity-Grounded Knowledge Graphs and Retrieval-Augmented Generation
摘要
虽然电子健康记录 (EHR) 提供了丰富的临床数据，但利用不同的外部知识有效地增强患者的记录以预测患者的临床风险仍然是一项重大挑战。由于数据稀疏和非结构化临床记录的利用不足，现有方法无法捕获疾病的严重程度、治疗反应和微妙的临床进展。为了应对这些挑战，我们提出了 TRACER（一种轨迹感知和临床基础的预测框架），它（1）构建一个富含医学文献中的严重程度信息的医学知识图，（2）从知识图中检索患者进展的临床相关的、严重程度加权的路径，（3）从非结构化的临床记录中提取临床相关事件，以及（4）通过类似的同行病例增强患者背景。 MIMIC-III 和 MIMIC-IV 数据集上的实验表明，与最先进的基线相比，取得了巨大的进步，死亡率预测任务的 Macro F1 分数提高了 28.5%，再入院预测任务的宏观 F1 分数提高了 19.7%。