编辑推荐：
在医疗领域，利用非结构化医疗数据进行预测分析意义重大，但数据存在长文本序列和不完整等问题。研究人员提出 HAIL 框架，结合层次注意力机制和图神经网络（GNN）。实验显示，相比现有基准，该框架在多项指标上性能提升 2%-3%，有助于临床决策。
在医疗的广阔天地里，临床预测就像一盏明灯，照亮医生前行的道路，帮助他们预测患者的健康结局，比如患者能否康复、住院时间多久等。随着电子健康记录（EHR）数据越来越丰富，机器学习和深度学习模型在医疗领域大显身手。然而，EHR 数据中包含的非结构化数据，如医护人员记录的临床笔记，却成了 “拦路虎”。这些临床笔记虽然藏着大量患者的关键信息，像症状、诊断原因、过往病史等，但它们往往文本冗长，还存在数据缺失的情况。而且，从这些笔记中提取有价值的信息困难重重，不同医护人员的记录风格各异，还可能用到不规范的术语或缩写。同时，以往的研究大多聚焦于结构化数据，即便有研究关注非结构化数据，也常局限于特定疾病，无法广泛适用于各种患者情况。另外，多数研究是在患者入院一段时间后进行临床预测，能在入院关键节点预测的少之又少，可早期准确预测对患者治疗决策至关重要。在这样的背景下，为了攻克这些难题，提升医疗数据预测分析的能力，有研究人员开展了一项意义非凡的研究。
这项研究提出了一种名为 Hierarchical Attention-based Integrated Learning（HAIL）的全新框架。研究人员利用该框架进行了一系列实验，实验用到了 Medical Information Mart for Intensive Care III（MIMIC-III） 、Medical Information Mart for Intensive Care IV（MIMIC-IV）和 Public Health Dataset（PUBHEALTH）这几个基准数据集。研究结果令人惊喜，HAIL 框架在预测院内死亡率和重症监护病房（ICU）住院时长等任务上表现出色，相比现有的基准方法，在多种评估指标上性能提升了 2%-3%。这一成果意义深远，它能助力医生在时间紧迫的临床决策中做出更准确的判断，合理分配医疗资源，提高患者的救治成功率。该研究成果发表在《Artificial Intelligence in Medicine》上。
研究人员为开展这项研究，用到了几个关键技术方法。首先，采用预训练模型（如 BERT）生成文本嵌入，将文本信息转化为模型能理解的向量形式。接着，运用层次注意力机制，分别在句子和特征层面发挥作用，句子层面用于提取上下文感知的嵌入，特征层面则用来处理缺失值。此外，还引入图神经网络（GNN），并结合基于图的患者相似性机制，通过患者群体特征来丰富患者嵌入，提升模型泛化能力。
下面来看看具体的研究结果：
- HAIL 框架介绍：HAIL 框架将层次注意力机制与图神经网络（GNN）巧妙结合，还借助基于图的患者相似性机制，有效丰富特征、缓解数据稀疏问题。先用预训练模型（如 BERT）生成文本嵌入，再通过层次注意力机制提取深度上下文表示、处理缺失值。层次注意力在句子和特征两个层面运作，能捕捉长文本信息，利用患者特定属性填充缺失值。GNN 则从更广泛的患者群体中获取信息，增强模型在不同患者群体中的泛化能力。
- 实验结果：研究人员在多个预测分析任务中进行实验，使用了 MIMIC-III、MIMIC-IV 和 PUBHEALTH 数据集。结果表明，HAIL 框架在不同指标上性能提升约 2%-3%，充分证明其在处理医疗数据预测分析任务时，能有效应对缺失值插补的复杂挑战，精准捕捉医疗数据的深层上下文信息。
在研究结论和讨论部分，HAIL 框架的优势得到进一步强调。它通过创新的层次注意力机制，不仅能深入挖掘文本信息，还能巧妙处理缺失值，这是以往方法难以做到的。同时，借助患者网络和 GNN，提升了模型的鲁棒性和泛化能力，在不同患者群体中都能稳定发挥作用。不过，研究也存在一定局限性，未来可以在优化模型结构、拓展应用场景等方面继续探索。总体而言，HAIL 框架为医疗数据的预测分析开辟了新方向，有望推动临床决策的智能化发展，让医疗服务更加精准、高效，为患者带来更多福祉。
