REFINE: как графы знаний и LLM персонализируют медицинские концепты

Исследователи представили REFINE — фреймворк, который позволяет учитывать индивидуальные особенности пациента при построении медицинских концептов в электронных картах (EHR). Разработка опирается на текстово-атрибутированные графы знаний и большие языковые модели (LLM).

Стандартные энкодеры обычно обрабатывают все медицинские коды одинаково, но значение диагноза или процедуры сильно зависит от клинического контекста конкретного пациента. REFINE решает эту проблему, строя персонализированные временные графы и выбирая для каждого кода свой бюджет включения связанной информации из общего графа знаний.

Метод использует последовательное обучение с подкреплением для выбора объёма графового контекста, гетерогенную графовую нейросеть для захвата структурных зависимостей и замороженную LLM с графо-зависимыми мягкими промптами для семантического уточнения концептов.

Эксперименты на датасетах MIMIC-III и MIMIC-IV показали, что REFINE улучшает качество прогнозов различных EHR-моделей и превосходит сильные базовые подходы. Авторы также подтвердили устойчивость метода при удалении отдельных компонентов и при нехватке данных.

Работа опубликована в архиве препринтов и может помочь созданию более точных систем поддержки принятия врачебных решений.