像我一样的病人：用于可解释临床预测的变分 LM-GNN 框架

语言模型 (LM) 为电子健康记录 (EHR) 提供了强大的文本表示，但它们对患者序列进行隔离编码，并提供有限的可解释性。图神经网络 (GNN) 通过整合患者间关系并启用参考患者归因来补充 LM，但它们依赖于高质量的患者表示。我们提出了 Patient-like-me (PLM)，这是一个统一的 LM-GNN 框架，它将本地患者语义与全局队列结构相结合。为了有效地训练 PLM，我们引入了一种变分期望最大化算法，该算法在监督变分目标下交替进行 LM 和 GNN 更新。 MIMIC-III 和 MIMIC-IV 上的大量实验表明，PLM 始终优于最先进的方法，并在仅编码器和仅解码器的 LM 主干上进行了改进。这些收益只需适度的额外计算开销即可实现。 PLM 还通过检索有影响力的相似患者来提供参考患者解释，而边缘掩蔽实验证实排名最高的参考对模型预测的影响最大。