Redes neuronales de grafos heterogéneos: Aplicación en la medicina

Abstract

RESUMEN : En este estudio, se investigó el uso de redes neuronales de grafos heterogéneas (HetGNN) para el análisis de datos médicos estructurados y la predicción de readmisión hospitalaria en pacientes con diabetes. Se propuso una metodología que implicaba la conversión de la base de datos tabular a una representación de grafo, y se comparó el rendimiento de los modelos de HetGNN con los modelos tradicionales de machine learning utilizados en la línea base. Se realizaron experimentos utilizando diferentes técnicas de resampling y se evaluaron métricas de evaluación, como el AUC y el recall. Además, se exploró la influencia de la complejidad del grafo en el rendimiento del modelo y se ajustaron parámetros clave, como el learning rate y el número de epochs. Los resultados obtenidos mostraron que los modelos de HetGNN, especialmente cuando se utilizaban técnicas de resampling como undersampling, demostraron un rendimiento prometedor en términos de precisión y capacidad de discriminación entre clases. Se observó un desempeño levemente inferior en la capacidad predictiva en comparación con la línea base, pero se destacó el potencial de las HetGNN para capturar las relaciones complejas entre las variables médicas en forma de grafo. El análisis de datos médicos estructurados a través de representaciones de grafos permitió una nueva perspectiva en la comprensión de los factores que influyen en la readmisión hospitalaria en pacientes con diabetes.

ABSTRACT : This study investigated the use of heterogeneous graph neural networks (HetGNN) to analyze structured medical data and predict hospital readmission in patients with diabetes. A methodology was proposed that involved converting the tabular database into a graph representation, and the performance of HetGNN models was compared to traditional machine learning models used in the baseline. Experiments were conducted using different resampling techniques, and evaluation metrics such as AUC and recall were assessed. Furthermore, the influence of graph complexity on model performance was explored, and critical parameters such as learning rate and number of epochs were adjusted. The results demonstrated that HetGNN models exhibited promising accuracy and class discrimination performance, particularly when combined with undersampling techniques. Although slightly lower predictive capacity was observed compared to the baseline, HetGNN showed potential in capturing the complex relationships among medical variables as a graph. Analyzing structured medical data through graph representations provided a new perspective in understanding the factors influencing hospital readmission in patients with diabetes.