Graph neural networks for clinical risk prediction based on patient similarity graphs

• Ano de defesa: 2024
• Autor(a) principal: Boll, Heloísa Oss
• Orientador(a): Recamonde-Mendoza, Mariana
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Redes neurais de grafo; Grafos; Histórico de saúde; Aprendizado de máquina
• Palavras-chave em Inglês: Graph neural networks; Electronic health records; Clinical risk prediction; Patient similarity
• Link de acesso: http://hdl.handle.net/10183/283321

Prontuários eletrônicos de saúde (electronic health records, EHRs) são uma fonte abran gente de informações sobre o histórico de saúde de um paciente. Devido à natureza in terconectada dos eventos clínicos, esses registros contêm dados que podem ser expressos como grafos; por exemplo, pacientes podem ser representados como nós em uma rede de similaridade que conecta indivíduos com múltiplos eventos de saúde compartilhados, como diagnósticos e medicamentos. Modelos tradicionais de aprendizado de máquina (machine learning, ML) usados para a previsão de desfechos clínicos, que buscam prever diagnósticos, readmissões e mortalidade, geralmente não utilizam informações estrutura das em grafos. Como resultado, seus poderes preditivos são reduzidos. Por outro lado, as redes neurais de grafos (graph neural networks, GNN) são uma nova abordagem de aprendizagem profunda (deep learning, DL) que tem apresentado resultados superiores na previsão de riscos clínicos baseada em grafos, contribuindo para melhorar o atendi mento aos pacientes e a tomada de decisões médicas. Este trabalho tem como objetivo fornecer uma visão geral e abrangente das GNNs mais recentes utilizadas para previsão de desfechos clínicos usando EHRs e, em particular, investigar a relevância dos grafos de similaridade de pacientes para prever insuficiência cardíaca. Primeiramente, apresentamos uma extensa revisão de 50 artigos sobre o tema, que identificou a rede de atenção de grafos (GAT) como a GNN mais usada, a previsão de diagnóstico como a tarefa mais investigada e o MIMIC-III como o conjunto de dados de EHR mais empregado. Em se guida, introduzimos três soluções baseadas em GNNs, GraphSAGE, GAT e Transformer de grafos (Graph Transformer, GT), que abordam os desafios relacionados à três lacunas identificadas na literatura: multimodalidade, similaridade de pacientes e interpretabili dade. Nosso melhor modelo, o GT, obteve um F1 score de 0,5361, resultando em um aumento de 35,7% em relação ao score mais alto dos métodos de referência, bem como uma acurácia equilibrada de 0,7166 e uma AUROC de 0,7930. Além disso, avaliamos a importância de diferentes tipos de modalidades de dados para a previsão de insuficiência cardíaca e introduzimos novas estratégias para melhorar a explicabilidade do nosso mo delo GT, incluindo uma análise de estatística descritiva sobre a conectividade dos nós dos pacientes no grafo, seus perfis de atenção e padrões em seus atributos médicos e nos de seus vizinhos. Finalmente, nossos resultados reforçam o potencial dos GNNs para otimi zar a previsão de riscos clínicos e destacam a importância da utilização de informações estruturadas em grafos para melhorar os resultados dos desfechos médicos.