Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Chen Chen, Mohsen Nayebi Kerdabadi, Dongjie Wang, Mei Liu и Zijun Yao представили ReTA для прогнозирования по электронным медицинским картам, причём их работа опубликована как препринт, не проходивший рецензирования. По замерам авторов, система превзошла сравниваемые методы в прогнозировании диагнозов, внутрибольничной смертности и повторной госпитализации. Работа важна командам, которые дополняют разреженные данные внешними графами знаний и сейчас применяют к каждому объекту одинаковую схему расширения.
Что сделали
ReTA работает с последовательностью визитов пациента. Каждый визит представлен графом: его узлы соответствуют кодам диагнозов и категориям классификатора CCS, а связи отражают медицинскую иерархию. Внешним источником служит PrimeKG — граф биомедицинских понятий и отношений.
Сначала система формирует ограниченный набор шаблонов знаний. Для каждого медицинского понятия LLM составляет краткое определение и цепочку возможных осложнений или сопутствующих состояний. Получившиеся сущности сопоставляются с PrimeKG, а неподтверждённые графом связи отфильтровываются. Затем близкие шаблоны объединяются, чтобы сократить дублирование. Данные конкретных пациентов при этой подготовке не используются.
Во время обработки визита ReTA извлекает подходящие шаблоны с учётом текущих диагнозов и накопленной истории пациента. После этого обученная с подкреплением политика выбирает одно действие. Soft Import меняет признаки существующих узлов, но не структуру графа. Hard Import добавляет узлы и связи из PrimeKG, создавая новые пути для передачи информации. Skip оставляет исходный граф без изменений.
Политика видит состояние последовательности и уверенность базового предсказателя. Вознаграждение учитывает, насколько дополнение уменьшило ошибку, а структурное расширение дополнительно штрафуется за добавленные узлы. Поэтому системе выгодно использовать Hard Import только там, где новые связи компенсируют вычислительную стоимость, а при достаточной уверенности выбирать Skip.
Семантические признаки и добавленная структура обрабатываются раздельно. Первый канал анализирует признаки исходных кодов, второй передаёт сообщения по расширенному графу и учитывает предыдущие визиты. Обучаемый шлюз объединяет результаты перед итоговым прогнозом. Такое разделение позволяет не смешивать эффект изменённых признаков с эффектом новых связей.
Что показали
Авторы проверили ReTA на MIMIC-III и MIMIC-IV. Задачами были прогноз следующего диагноза, внутрибольничной смертности и повторной госпитализации. Среди базовых методов были последовательные модели, кодировщики медицинских онтологий и системы, уже использующие внешние графы знаний. Для графовых методов применялись одинаковые временные разбиения данных, входные коды и механизм сопоставления с PrimeKG.
В прогнозировании диагнозов на MIMIC-IV ReTA получила 35,18 пункта AUPRC против 33,42 у KARE. AUPRC — площадь под кривой «точность — полнота»; она показывает качество ранжирования при несбалансированных классах, где многие диагнозы встречаются редко. Авторы отмечают, что различия с лучшими базовыми моделями статистически значимы.
Преимущество увеличивалось при сокращении обучающих данных. При использовании 10% данных отрыв от KARE составил 4,53 пункта AUPRC против 1,76 на полном наборе. По интерпретации авторов, шаблоны из графа знаний частично заменяют статистические закономерности, которые модель не успевает извлечь из небольшой выборки.
В переносе между MIMIC-III и MIMIC-IV ReTA также опередила сравниваемые графовые методы. Замена PrimeKG на UMLS сохранила преимущество, поэтому заявленный эффект не ограничен одним внешним графом. Исследования компонентов отдельно показали пользу динамического выбора шаблона, отказа от дополнения и разделения семантического и структурного каналов.
Ограничения
Эксперименты охватывают только структурированные медицинские коды из MIMIC-III и MIMIC-IV. Клинические заметки не использовались, а медианная длина последовательности составляла 2–3 визита. Работа поэтому не показывает, как политика поведёт себя на длинной истории болезни, в других медицинских организациях или при сочетании кодов со свободным текстом.
Качество ReTA зависит от полноты внешнего графа и от шаблонов, первоначально созданных LLM. Сопоставление с PrimeKG подтверждает наличие сущности или связи в графе, но не её клиническую корректность для конкретного пациента. Во внутреннем аудите авторов доля серьёзных ошибок для редких заболеваний составила 2,5% против 0,8% для остальных. Механизм Skip тоже может ошибиться, если базовая модель уверена в неверном прогнозе.
Сравнение проведено с исследовательскими моделями на ретроспективных данных. В работе нет проверки в реальном клиническом процессе, анализа качества по демографическим группам и оценки влияния прогнозов на решения врачей. Независимого воспроизведения результатов также нет. Поэтому измеренное превосходство нельзя переносить на клиническое внедрение без отдельной валидации, регуляторной проверки и медицинского контроля.
Что это значит
Для команд, которые уже строят прогнозирование на графах медицинских данных, работа меняет прежде всего архитектурный план. Фиксированное добавление одинакового окружения из графа знаний к каждому визиту стоит заменить проверяемым маршрутизатором: он должен решать, нужны ли внешние знания, какой фрагмент подходит текущему состоянию и оправдано ли изменение структуры.
Практически полезна не конкретная реализация ReTA, а разделение дополнения на три режима с явной стоимостью. Оно позволяет сохранить дешёвый базовый путь, добавлять только семантический контекст для промежуточных случаев и запускать структурное расширение при недостатке связей. Такой подход особенно уместен, если данные разрежены, внешняя база неоднородна, а задержку и размер графа требуется контролировать.
Для команд, планирующих клинический продукт, результаты не служат основанием сразу менять основной стек. Сначала потребуется воспроизвести политику на собственных кодировках, длинах историй и графе знаний, проверить ошибки шаблонов и откалибровать отказ от дополнения. Работа поддерживает переход от безусловного обогащения к выборочному, но не доказывает готовность ReTA к применению при принятии медицинских решений.
Источники
Иллюстрация: рисунок из статьи «Import What You Need: Learning When and How to Augment EHR Graphs with External Knowledge», Chen Chen, Mohsen Nayebi Kerdabadi, Dongjie Wang и др., CC BY 4.0
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
