Transformer Hawkes過程による患者ケア軌跡のモデリング

Abstract

患者の医療利用は、外来受診、入院、救急対応といった、不規則に時間スタンプが付与された出来事から成り、個別化されたケアの軌跡を形成する。これらの軌跡をモデル化することは、利用パターンを理解し将来のケアニーズを予測するうえで重要だが、時間的な不規則性と深刻なクラス不均衡のために困難である。本研究では、Transformer Hawkes Process の枠組みに基づき、連続時間における患者の軌跡をモデル化する。Transformer による履歴エンコーディングと Hawkes 過程のダイナミクスを組み合わせることで、出来事間の依存関係を捉え、出来事タイプと次の出来事までの時間（time-to-event）を同時に予測する。極端な不均衡に対処するため、逆数の平方根によるクラス重み付けを用いた、不均衡を考慮した学習戦略を導入する。これにより、データ分布を変えずに、臨床的に重要だが稀な出来事に対する感度を向上させる。実世界データでの実験により、性能の改善が示され、高リスク患者集団を同定するための臨床的に有意義な洞察が得られる。