Graph neural networks for clinical risk prediction based on patient similarity graphs

Abstract

Electronic health records (EHRs) are a comprehensive source of information about a pa tient’s health history. Due to the interconnected nature of clinical events, these records contain data that can be expressed as graphs; for example, patients can be represented as nodes in a similarity network that connects individuals with multiple shared health events, such as diagnoses and medications. Traditional machine learning (ML) models used for predicting clinical risks, which aim to forecast diagnoses, readmissions, and mortality, usually do not use this graph-structured information. As a result, their predictive power is hindered. In contrast, graph neural networks (GNNs) are a new deep learning (DL) approach that has shown superior results in predicting clinical risks based on graphs, helping to improve patient care and medical decision-making. This study aims to provide a comprehensive overview of the most recent GNNs used for predicting clinical risks us ing EHRs and, in particular, to investigate the relevance of patient similarity graphs for diagnosing heart failure. First, we present an extensive review of 50 papers on the topic, which identified the Graph Attention Network (GAT) as the most widely used GNN, diagnosis prediction as the most investigated task, and MIMIC-III as the most popular EHR dataset. Next, we introduce three new GNN solutions based on GraphSAGE, GAT, and Graph Transformer (GT) that address the challenges related to three identified literature gaps: multimodality, patient similarity, and interpretability. Our best model, the GT, ob tained an F1 score of 0.5361, resulting in a 35.7% increase over the highest score from baseline methods, as well as a balanced accuracy of 0.7166 and an AUROC of 0.7930. In addition, we evaluate the importance of four different types of data modalities for pre dicting heart failure and introduce new strategies to improve the explainability of our GT model, including a descriptive statistics analysis of the connectivity of patient nodes in the graph, their attention profiles, and patterns in their medical features and those of their neighbors. Finally, our results reinforce the potential of GNNs to optimize clinical risk prediction and highlight the importance of using graph-structured information to improve medical outcomes.

Prontuários eletrônicos de saúde (electronic health records, EHRs) são uma fonte abran gente de informações sobre o histórico de saúde de um paciente. Devido à natureza in terconectada dos eventos clínicos, esses registros contêm dados que podem ser expressos como grafos; por exemplo, pacientes podem ser representados como nós em uma rede de similaridade que conecta indivíduos com múltiplos eventos de saúde compartilhados, como diagnósticos e medicamentos. Modelos tradicionais de aprendizado de máquina (machine learning, ML) usados para a previsão de desfechos clínicos, que buscam prever diagnósticos, readmissões e mortalidade, geralmente não utilizam informações estrutura das em grafos. Como resultado, seus poderes preditivos são reduzidos. Por outro lado, as redes neurais de grafos (graph neural networks, GNN) são uma nova abordagem de aprendizagem profunda (deep learning, DL) que tem apresentado resultados superiores na previsão de riscos clínicos baseada em grafos, contribuindo para melhorar o atendi mento aos pacientes e a tomada de decisões médicas. Este trabalho tem como objetivo fornecer uma visão geral e abrangente das GNNs mais recentes utilizadas para previsão de desfechos clínicos usando EHRs e, em particular, investigar a relevância dos grafos de similaridade de pacientes para prever insuficiência cardíaca. Primeiramente, apresentamos uma extensa revisão de 50 artigos sobre o tema, que identificou a rede de atenção de grafos (GAT) como a GNN mais usada, a previsão de diagnóstico como a tarefa mais investigada e o MIMIC-III como o conjunto de dados de EHR mais empregado. Em se guida, introduzimos três soluções baseadas em GNNs, GraphSAGE, GAT e Transformer de grafos (Graph Transformer, GT), que abordam os desafios relacionados à três lacunas identificadas na literatura: multimodalidade, similaridade de pacientes e interpretabili dade. Nosso melhor modelo, o GT, obteve um F1 score de 0,5361, resultando em um aumento de 35,7% em relação ao score mais alto dos métodos de referência, bem como uma acurácia equilibrada de 0,7166 e uma AUROC de 0,7930. Além disso, avaliamos a importância de diferentes tipos de modalidades de dados para a previsão de insuficiência cardíaca e introduzimos novas estratégias para melhorar a explicabilidade do nosso mo delo GT, incluindo uma análise de estatística descritiva sobre a conectividade dos nós dos pacientes no grafo, seus perfis de atenção e padrões em seus atributos médicos e nos de seus vizinhos. Finalmente, nossos resultados reforçam o potencial dos GNNs para otimi zar a previsão de riscos clínicos e destacam a importância da utilização de informações estruturadas em grafos para melhorar os resultados dos desfechos médicos.