基于图学习与Transformer框架的时序健康事件预测模型GLT-Net研究

针对电子健康记录(EHRs)中诊断代码稀疏性、共病关系复杂性及入院记录时序不规则性等问题，研究人员提出融合图学习(GNN)与Transformer框架的GLT-Net模型。通过构建患者关联图与共病关系矩阵增强特征表征，结合时序Transformer捕捉历史入院依赖关系。实验证实该模型在健康事件预测中优于基线方法，为精准医疗提供新范式。

　　

在医疗信息化时代，电子健康记录(EHRs)已成为患者健康数据的核心载体，但其蕴含的时序健康事件预测仍面临三大挑战：诊断代码的稀疏性（超2000种代码出现频次<10次）、共病关系的复杂性（如高血压与心脏病常共存），以及入院记录的不规则时序性（相邻记录间隔36-183天不等）。传统方法如RNN难以捕捉长程依赖，而基于医学知识图谱的方法又存在实体匹配困境。

为破解这些难题，大连理工大学的研究团队开发了GLT-Net模型。该工作创新性地将图学习与Transformer架构结合：首先利用ICD-10编码的层次结构预训练诊断代码嵌入，构建患者关联图生成个体化表征；继而通过共病关系矩阵揭示疾病关联，采用图神经网络(GNN)增强代码表征；最后设计带有时序编码器的Transformer框架处理不规则入院记录，通过自注意力机制量化历史事件影响。研究成果发表于《Journal of Biomedical Informatics》，为疾病进展模式解析提供了新工具。

关键技术包含：1) 基于广东南部精神疾病患者数据库（2016-2022年）构建诊断代码树；2) 无监督学习生成患者初始表征；3) 图卷积网络(GCN)优化共病关系建模；4) 时序Transformer编码器处理变长入院序列。

【研究结果】

1. 表征初始化模块：通过ICD-10的16层诊断代码层次结构预训练得到低维嵌入，患者关联图生成的表征可反映个体差异。
2. 入院记录表征模块：自注意力机制成功识别关键历史事件（如频发入院记录权重提升30%），时序编码器将不规则间隔转化为连续特征。
3. 上下文编码模块：在精神疾病预测任务中，GLT-Net的AUC值达0.892，较最佳基线模型提升7.2%，证实共病关系建模的有效性。

结论表明，GLT-Net通过多层次表征学习揭示了疾病进展的时空规律：诊断代码的层次化嵌入（ICD-10）解决了稀疏性问题，GNN构建的共病网络发现高血压与代谢疾病的强关联（相关系数0.68），而时序Transformer突破了传统RNN的长期记忆瓶颈。该框架可扩展至多源医疗数据，其患者轨迹建模方法为慢性病管理提供了新思路。作者Tianci Liu强调，未来将探索跨模态医疗知识图谱与动态图神经网络的结合，以进一步提升预测效能。