ハイパーグラフを用いた事前学習によるESUS患者の心房細動予測の向上

概要: 心房細動（AF）は、原因不明の塞栓性脳卒中（ESUS）後の主要な合併症であり、再発性脳卒中と死亡率のリスクを高める。早期識別は臨床的に重要ですが、既存のツールは精度、スケーラビリティ、コストの面で制約があります。機械学習（ML）は有望ですが、ESUSコホートが小さいことと高次元の医療データ特徴により阻害されます。これらの課題に対処するために、ESUS患者におけるAF予測を改善するための監視付きおよび非監視付きハイパーグラフベースの事前学習戦略を導入します。まず、大規模な脳卒中コホート（7,780人）を対象にハイパーグラフベースの患者埋め込みモデルを事前学習し、顕著な特徴と高次の相互作用を捉えます。得られた埋め込みは小規模なESUSコホート（510人）に転送され、特徴の次元を削減しつつ臨床的に意味のある情報を保持し、軽量モデルでの効果的な予測を可能にします。実験では、いずれの事前学習アプローチも、生データで学習した従来のモデルを上回り、精度と頑健性を向上させることを示しています。このフレームワークは、脳卒中後のAFリスク予測に対して、スケーラブルで効率的なソリューションを提供します。