ترجمه فارسی مقاله پیش بینی هایپرگراف پویا ویزیت های پزشکی متوالی

چکیده

This study introduces a pioneering Dynamic Hypergraph Networks (DHCE) model designed to predict future medical diagnoses from electronic health records with enhanced accuracy. The DHCE model innovates by identifying and differentiating acute and chronic diseases within a patient’s visit history, constructing dynamic hypergraphs that capture the complex, high-order interactions between diseases. It surpasses traditional recurrent neural networks and graph neural networks by effectively integrating clinical event data, reflected through medical language model-assisted encoding, into a robust patient representation. Through extensive experiments on two benchmark datasets, MIMIC-III and MIMIC-IV, the DHCE model exhibits superior performance, significantly outpacing established baseline models in the precision of sequential diagnosis prediction.

چکیده به فارسی (ترجمه ماشینی)

این مطالعه یک مدل پیشگام شبکه های Hypergraph (DHCE) پیشگام را برای پیش بینی تشخیص پزشکی آینده از سوابق سلامت الکترونیکی با دقت پیشرفته معرفی می کند.مدل DHCE با شناسایی و تمایز بیماریهای حاد و مزمن در تاریخ ویزیت بیمار نوآوری می کند ، و ساختگی های پویا را ایجاد می کند که تعامل پیچیده و مرتبه بالا بین بیماری ها را ضبط می کند.این شبکه از شبکه های عصبی مکرر سنتی و شبکه های عصبی نمودار با ادغام مؤثر داده های رویداد بالینی ، منعکس شده از طریق رمزگذاری با کمک الگوی پزشکی ، در یک نمایش بیمار قوی پیشی می گیرد.از طریق آزمایش های گسترده در دو مجموعه داده معیار ، MIMIC-III و MIMIC-IV ، مدل DHCE عملکرد برتر را نشان می دهد ، به طور قابل توجهی از مدلهای پایه مستقر در دقت پیش بینی تشخیص پی در پی پیشی می گیرد.