arXiv cs.AI· Mohammad Nasir Uddin, Eklachur Rahman Bhuiyan, Rahnuma Tabassum Orpita·· 11 小时前AI 评分31
事件图模型预测 ICU 死亡率的关键在于变量感知表示而非关系类型
Variable-aware representation, not relation typing, explains the performance of an event-graph model for ICU mortality prediction: temporal and external validation
AI 导读
在 MIMIC-IV 的 31,142 例 ICU 住院数据上，变量感知表示（每个节点变量的学习嵌入加逐变量归一化）将 2020-2022 年测试集平均 AUROC 从 0.846 提升至 0.896，外部 eICU 验证从 0.699 提升至 0.809。
正文 · AI 翻译
摘要：事件图神经网络将重症监护病房（ICU）记录表示为按时间戳观测链接的类型化实体，其性能提升常被归因于关系特定的消息传递。我们测试了在消除泄漏且验证为时间性和外部性时，哪些组件真正重要。在 Medical Information Mart for Intensive Care IV（MIMIC-IV）中 31,142 例至少 48 小时的首个 ICU 住院记录中，预测 48 小时后院内死亡率的模型基于 2008-2016 年住院数据开发，在留出的 2008-2016 年住院数据以及 2017-2019 年和 2020-2022 年住院数据上测试，并在不重新训练的情况下应用于 eICU Collaborative Research Database 中来自 205 家医院的 54,696 例住院记录。此前版本中存在的一个泄漏——将总 ICU 住院时长用作输入——已被移除。变量感知表示（对每个节点的变量进行学习嵌入并加上逐变量归一化）将 2020-2022 年的平均单模型受试者工作特征曲线下面积（AUROC）从 0.846 提升至 0.896，外部验证从 0.699 提升至 0.809。采用该表示后，关系特定消息传递与共享（关系折叠）消息传递在每个测试集中的 AUROC 差异均小于 0.005，处于 +/-0.01 的等效边界内，尽管在没有该表示时关系类型化曾显得有益。修订后的模型在 MIMIC-IV 各时期的 AUROC 为 0.878-0.900，比三种严重程度评分高 0.15-0.19，比梯度提升低 0.007-0.011。在外部验证中，五模型平均在具有 APACHE 预测的 48,184 例住院记录上达到 AUROC 0.825，而 Acute Physiology and Chronic Health Evaluation（APACHE）IVa 评分为 0.788。在该模型中，表示比消息传递架构更重要。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2608.02663 [cs.LG] |
| （或 arXiv:2608.02663v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.02663 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Mohammad Nasir Uddin [查看电子邮件]
[v1]
2026年8月1日星期六 19:10:38 UTC（479 KB）
[v2]
2026年11月5日星期四 05:04:05 UTC（564 KB）
来源：arXiv cs.AI · arxiv.org