Heterogeneous Patient Graph Embedding in Readmission Prediction
Notice bibliographique
Résumé
<p>The number of youth seeking mental health services has been increasing in the past decade. Accurate prediction of hospital readmission is a contributing factor in addressing youth mental health problem and healthcare service utilization. Medical records are an important source of information for readmission prediction, however utilizing such records in the context of mental care, requires overcoming two impeding challenges: the diversity of service utilization (e.g., using psychiatric vs. overdose vs. trauma clinics all for the same underlying mental health reason) and the heterogeneity of data associated with each service. Graph Neural Network (GNN) is shown to be promising in performing classification or regression tasks when input data bears a complex structure. In this research, we propose using graph embedding to first generate patient graph that captures episodic emergency department visits and the complex service utilizations of the patient. We then use GNN for readmission prediction. For embedding and training purposes, we utilize more than 4,000 unique mental health patients data over 19 years. To evaluate our approach we systematically compare a variety of of GNN models with four RNN models, namely LSTM, Bi-LSTM, GRU, and Bi-GRU. Our experimental evaluation demonstrates that encoding the complex interrelationship between features of a patient using graph embedding and GNN improves the performance of the predictive model compared to RNN counterparts. </p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».