Виявлення структурних і семантичних аномалій у медичних записах засобами гетерогенних графових нейронних мереж

Abstract

Роботу присвячено задачі виявлення аномалій у записах системи охорони здоров’я України. Запропоновано метод побудови гетерогенного графа медичних даних із вузлами типів: пацієнт, ICD-10, ICPC-2, ACHI, заклад та направлення. На датасеті (281 167 записів, 192 799 пацієнтів, 149 закладів) побудовано граф з понад 5 млн ребер та виявлено два рівні аномалій: структурний (пацієнти зі структурно нетиповим профілем зв’язності у графі, виявлені GAE) та семантичний (незвичайні поєднання кодів, виявлені HetGNN). Коефіцієнт Спірмена між рейтингами аномальності моделей становив ρ = −0,010, що свідчить про практично відсутню рангову узгодженість результатів GAE та HetGNN і вказує на виявлення ними різних аспектів аномальності (перетин top-100 аномалій порожній, Jaccard = 0).

The paper addresses anomaly detection in Ukraine’s electronic health records (EHR). A heterogeneous graph of medical data is constructed with node types: patient, ICD-10, ICPC-2, ACHI, facility, and referral. Applied to a dataset (281,167 records, 192,799 patients, 149 facilities), the graph contains over 5 million edges. Two anomaly levels were identified: structural (patients structurally atypical in their graph-connectivity profile, detected by GAE), and semantic (unusual code co-occurrences, detected by HetGNN). The Spearman correlation coefficient between the models’ anomaly rankings was ρ = −0.010, indicating virtually no rank-order agreement between the GAE and HetGNN results and suggesting that the models identify different aspects of anomalousness (the top-100 anomaly sets are disjoint, Jaccard = 0).