Prédiction d'événements cliniques à partir des parcours de soins de patients représentés par des graphes de connaissances temporels
Résumé
Contexte : La disponibilité croissante des données de santé permet le développement de modèles capables de prédire divers événements cliniques, ce qui trouve de nombreuses applications notamment en termes d'aide à la décision clinique. Méthode : Nous avons créé un jeu de données synthétiques mais réalistes de patients atteints d'anévrisme intracrânien et avons considéré la tâche de prédiction de leur état en fin d'hospitalisation. La tâche de prédiction est ici ramenée à une classification d'un sous ensemble de noeuds d'un KG. Nous comparons les performances sur cette tâche en considérant comme référence des données tabulaires, puis ces même données représentées sous forme de graphes. Nous avons en particulier considéré plusieurs schémas de graphes pour étudier dans quelle mesure les choix de modélisation des données individuelles d'une part, et des données temporelles d'autre part impactent les performances de la prédiction. Résultats : Notre étude montre que dans notre cas une représentation en graphe et des plongements appris par des réseaux convolutifs donnent les meilleures performances. Nous soulignons l'impact du type de schéma de graphe utilisé ainsi que celui de la prise en compte des litéraux. En revanche, nous nuançons l'impact relatif du choix d'encodage des données temporelles.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |