PulseAugur
实时 10:50:06
English(EN) HoT-SSM:Higher-order Temporal Knowledge Graph Reasoning with State Space Models for Health Care

新模型HoT-SSM增强医疗知识图谱推理能力

研究人员开发了HoT-SSM,一种用于分析医疗知识图谱的新方法,该方法融入了高阶时序推理。该方法构建超图以捕捉单次就诊中临床概念之间的复杂关系,并使用基于动态超图的状态空间模型来跟踪患者状态随时间的演变。在MIMIC-III和MIMIC-IV数据集上的实验表明,与现有的最先进模型相比,在临床预测任务上的性能有了显著提升。 AI

影响 通过改进医疗知识图谱中的时序推理,引入了一种新的临床预测方法。

排序理由 这是一篇详细介绍新模型及其在公共数据集上实验结果的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Thummaluru Siddartha Reddy, Vempalli Naga Sai Saketh, Yash Punjabi, Mahesh Chandran ·

    HoT-SSM:基于状态空间模型的医疗保健高阶时序知识图谱推理

    arXiv:2606.05994v1 Announce Type: new Abstract: Medical knowledge graphs (MKGs) infused with clinical knowledge have been increasingly used to model electronic health records (EHRs) to support interpretable predictions in healthcare domain. However, existing MKG-based approaches …