ترجمه فارسی مقاله یادگیری نمودار ناهمگن چند کاره در سوابق بهداشت الکترونیکی

چکیده

Learning electronic health records (EHRs) has received emerging attention because of its capability to facilitate accurate medical diagnosis. Since the EHRs contain enriched information specifying complex interactions between entities, modeling EHRs with graphs is shown to be effective in practice. The EHRs, however, present a great degree of heterogeneity, sparsity, and complexity, which hamper the performance of most of the models applied to them. Moreover, existing approaches modeling EHRs often focus on learning the representations for a single task, overlooking the multi-task nature of EHR analysis problems and resulting in limited generalizability across different tasks. In view of these limitations, we propose a novel framework for EHR modeling, namely MulT-EHR (Multi-Task EHR), which leverages a heterogeneous graph to mine the complex relations and model the heterogeneity in the EHRs. To mitigate the large degree of noise, we introduce a denoising module based on the causal inference framework to adjust for severe confounding effects and reduce noise in the EHR data. Additionally, since our model adopts a single graph neural network for simultaneous multi-task prediction, we design a multi-task learning module to leverage the inter-task knowledge to regularize the training process. Extensive empirical studies on MIMIC-III and MIMIC-IV datasets validate that the proposed method consistently outperforms the state-of-the-art designs in four popular EHR analysis tasks — drug recommendation, and predictions of the length of stay, mortality, and readmission. Thorough ablation studies demonstrate the robustness of our method upon variations to key components and hyperparameters.

چکیده به فارسی (ترجمه ماشینی)

یادگیری سوابق بهداشتی الکترونیکی (EHR) به دلیل توانایی آن در تسهیل تشخیص دقیق پزشکی ، مورد توجه نوظهور قرار گرفته است.از آنجا که EHR ها حاوی اطلاعات غنی شده ای هستند که تعامل پیچیده بین اشخاص را مشخص می کند ، مدل سازی EHR با نمودارها در عمل مؤثر است.با این حال ، EHR ها درجه زیادی از ناهمگونی ، کمبود و پیچیدگی را نشان می دهند که مانع عملکرد بیشتر مدل های اعمال شده برای آنها می شود.علاوه بر این ، رویکردهای موجود مدل سازی EHR اغلب بر یادگیری بازنمایی ها برای یک کار واحد تمرکز می کند ، و مشرف به ماهیت چند وظیفه ای از مشکلات تجزیه و تحلیل EHR و در نتیجه تعمیم پذیری محدود در کارهای مختلف است.با توجه به این محدودیت ها ، ما یک چارچوب جدید برای مدل سازی EHR ، یعنی Mult-EHR (EHR چند کاره) ارائه می دهیم ، که از یک نمودار ناهمگن استفاده می کند تا روابط پیچیده را انجام دهد و ناهمگونی را در EHR ها مدل کند.برای کاهش درجه زیاد سر و صدا ، ما یک ماژول denoising را بر اساس چارچوب استنتاج علی معرفی می کنیم تا اثرات مخدوش شدید را تنظیم کرده و سر و صدای داده های EHR را کاهش دهیم.علاوه بر این ، از آنجا که مدل ما یک شبکه عصبی نمودار واحد را برای پیش بینی همزمان چند کاره اتخاذ می کند ، ما یک ماژول یادگیری چند وظیفه ای را برای استفاده از دانش بین وظیفه برای تنظیم منظم فرایند آموزش طراحی می کنیم.مطالعات تجربی گسترده در مورد مجموعه داده های MIMIC-III و MIMIC-IV تأیید می کند که روش پیشنهادی به طور مداوم از طرح های پیشرفته در چهار کار تجزیه و تحلیل EHR محبوب بهتر است-توصیه به دارو و پیش بینی طول مدت اقامت ، مرگ و میر وبستری مجددمطالعات فرسایش کامل نشان دهنده استحکام روش ما بر تغییر در مؤلفه های کلیدی و هایپرپارامترها است.