编辑推荐:
摘要医院获得性感染(HAIs)起源于患者、医护人员和临床环境之间复杂的、随时间变化的相互作用。尽管基于数据的方法(如图神经网络GNNs)能够有效模拟这些接触情况,但它们往往像黑箱一样运作,忽略了已建立的流行病学原理,从而限制了模型的可解释性和临床应用的可行性。受物理信息驱动的神经
医院获得性感染(HAIs)起源于患者、医护人员和临床环境之间复杂的、随时间变化的相互作用。尽管基于数据的方法(如图神经网络GNNs)能够有效模拟这些接触情况,但它们往往像黑箱一样运作,忽略了已建立的流行病学原理,从而限制了模型的可解释性和临床应用的可行性。受物理信息驱动的神经网络启发,我们提出了一种基于流行病学知识的图神经网络框架(EIGNN),用于动态医院环境中患者状态的预测。该框架将机制性的流行病学模型以原理性的方式整合到GNN中。通过动态接触网络获取的患者级风险因素被联合利用,以推断潜在的流行病学状态、预测多时间范围内的状态转变,并估算关键的流行病学参数(包括传播率和恢复率)。我们在一个真实的医院COVID-19患者队列以及两个模拟病毒性和细菌性HAIs的公共数据集上验证了该方法。在多种架构和时间范围内,EIGNN的AUC-ROC值高达98.46%,同时提供了可解释且机制上一致的分析结果,为感染预防和控制提供了透明的工具。
生物通 版权所有