HealthMamba: An Uncertainty-aware Spatiotemporal Graph State Space Model for Effective and Reliable Healthcare Facility Visit Prediction

📄 arXiv: 2602.05286v1 📥 PDF

作者: Dahai Yu, Lin Jiang, Rongchao Xu, Guang Wang

分类: cs.LG, cs.AI

发布日期: 2026-02-05

💡 一句话要点

HealthMamba：不确定性感知的时空图状态空间模型，用于有效可靠的医疗设施访问预测

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 医疗设施访问预测 时空图模型 不确定性量化 图状态空间模型 医疗资源分配

📋 核心要点

  1. 现有医疗设施访问预测方法忽略了设施间的空间依赖性，且在异常情况下预测可靠性不足。
  2. HealthMamba通过统一时空上下文编码器、GraphMamba图状态空间模型和不确定性量化模块，实现更准确可靠的预测。
  3. 在四个真实世界数据集上的实验表明，HealthMamba在预测准确率和不确定性量化方面均优于现有方法。

📝 摘要（中文）

医疗设施访问预测对于优化医疗资源分配和制定公共卫生政策至关重要。尽管先进的机器学习方法被用于提高预测性能，但现有工作通常将此任务视为时间序列预测问题，而没有考虑不同类型医疗设施之间固有的空间依赖性，并且也无法在公共紧急事件等异常情况下提供可靠的预测。为了推进现有研究，我们提出了HealthMamba，一个不确定性感知的时空框架，用于准确和可靠的医疗设施访问预测。HealthMamba包含三个关键组件：（i）统一时空上下文编码器，融合异构的静态和动态信息；（ii）一种新颖的图状态空间模型，称为GraphMamba，用于分层时空建模；（iii）一个综合的不确定性量化模块，集成了三种不确定性量化机制，以实现可靠的预测。我们在来自加利福尼亚州、纽约州、德克萨斯州和佛罗里达州的四个大规模真实世界数据集上评估了HealthMamba。结果表明，HealthMamba在预测准确率方面比最先进的基线提高了约6.0%，在不确定性量化方面提高了3.5%。

🔬 方法详解

问题定义：现有方法在预测医疗设施访问量时，主要将其视为时间序列预测问题，忽略了不同医疗设施之间的空间依赖关系。此外，这些方法在面对突发公共卫生事件等异常情况时，无法提供可靠的预测，导致资源分配和政策制定面临挑战。

核心思路：HealthMamba的核心思路是构建一个能够同时捕捉时空依赖关系，并能有效量化预测不确定性的模型。通过融合静态和动态信息，利用图结构建模设施间的空间关系，并结合多种不确定性量化机制，从而提高预测的准确性和可靠性。

技术框架：HealthMamba框架包含三个主要模块：1) 统一时空上下文编码器：用于融合异构的静态（如设施类型、地理位置）和动态信息（如历史访问量、天气）；2) GraphMamba：一种新颖的图状态空间模型，用于分层建模时空依赖关系，捕捉设施间的复杂关联；3) 不确定性量化模块：集成了多种不确定性量化机制，用于评估预测结果的可靠性。

关键创新：HealthMamba的关键创新在于GraphMamba图状态空间模型和综合的不确定性量化模块。GraphMamba能够有效地建模复杂的时空依赖关系，而综合的不确定性量化模块则能够提供更可靠的预测结果，尤其是在异常情况下。

关键设计：在统一时空上下文编码器中，可能使用了嵌入技术将静态特征转化为向量表示，并使用循环神经网络（RNN）或Transformer等模型处理动态时间序列数据。GraphMamba的具体网络结构未知，但推测其利用图神经网络（GNN）来建模设施间的空间关系，并结合状态空间模型来捕捉时间动态。不确定性量化模块可能采用了诸如Dropout、Monte Carlo Dropout或Deep Ensembles等方法来估计预测的不确定性。

📊 实验亮点

HealthMamba在四个大规模真实世界数据集（加利福尼亚州、纽约州、德克萨斯州和佛罗里达州）上进行了评估。实验结果表明，HealthMamba在预测准确率方面比最先进的基线提高了约6.0%，在不确定性量化方面提高了3.5%。这些结果表明，HealthMamba在医疗设施访问预测方面具有显著的优势。

🎯 应用场景

HealthMamba可应用于优化医疗资源分配，例如预测特定区域内不同类型医疗设施的未来访问量，从而合理调配医护人员、床位和设备。此外，该模型还可用于支持公共卫生政策的制定，例如预测疫情期间的医疗需求，为政府决策提供数据支持。该研究的潜在影响在于提高医疗服务的效率和公平性，并增强应对突发公共卫生事件的能力。

📄 摘要（原文）

Healthcare facility visit prediction is essential for optimizing healthcare resource allocation and informing public health policy. Despite advanced machine learning methods being employed for better prediction performance, existing works usually formulate this task as a time-series forecasting problem without considering the intrinsic spatial dependencies of different types of healthcare facilities, and they also fail to provide reliable predictions under abnormal situations such as public emergencies. To advance existing research, we propose HealthMamba, an uncertainty-aware spatiotemporal framework for accurate and reliable healthcare facility visit prediction. HealthMamba comprises three key components: (i) a Unified Spatiotemporal Context Encoder that fuses heterogeneous static and dynamic information, (ii) a novel Graph State Space Model called GraphMamba for hierarchical spatiotemporal modeling, and (iii) a comprehensive uncertainty quantification module integrating three uncertainty quantification mechanisms for reliable prediction. We evaluate HealthMamba on four large-scale real-world datasets from California, New York, Texas, and Florida. Results show HealthMamba achieves around 6.0% improvement in prediction accuracy and 3.5% improvement in uncertainty quantification over state-of-the-art baselines.