HoT-SSM:Higher-order Temporal Knowledge Graph Reasoning with State Space Models for Health Care

📄 arXiv: 2606.05994v1 📥 PDF

作者: Thummaluru Siddartha Reddy, Vempalli Naga Sai Saketh, Yash Punjabi, Mahesh Chandran

分类: cs.LG, eess.SP

发布日期: 2026-06-04

备注: Paper under review

💡 一句话要点

提出HoT-SSM以解决医疗知识图谱中的高阶时间推理问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 医疗知识图谱 高阶交互 时间依赖性 状态空间模型 临床预测 电子健康记录

📋 核心要点

  1. 现有医疗知识图谱方法在捕捉临床概念间的高阶交互和时间依赖性方面存在显著不足，限制了其在临床任务中的应用。
  2. HoT-SSM通过构建超图和动态状态空间模型，能够有效捕捉临床概念的高阶交互和长时间依赖性，提升预测能力。
  3. 在MIMIC-III和MIMIC-IV数据集上的实验结果显示，HoT-SSM在性能上显著优于现有最先进模型，验证了其有效性。

📝 摘要（中文）

医疗知识图谱（MKGs）结合临床知识，越来越多地用于建模电子健康记录（EHRs），以支持医疗领域的可解释预测。然而，现有的MKG方法在捕捉临床概念之间的成对关系方面存在局限，无法有效建模共现或语义相关概念之间的高阶交互。此外，大多数利用MKG的表示学习方法要么忽略了访问之间的时间信息，要么缺乏明确的机制来建模长距离的时间依赖性，这对临床任务（如死亡率预测）至关重要。为了解决这些问题，本文提出了HoT-SSM，一种参数高效的高阶时间图推理方法，结合状态空间模型。HoT-SSM通过使用领域知识将语义相关的临床概念分组为超边，从而在每次访问中构建超图，保留访问级别的临床上下文。同时，引入了一种新颖的动态超图状态空间模型，明确捕捉患者潜在状态随时间的演变，同时保留长距离信息。实验结果表明，HoT-SSM在MIMIC-III和MIMIC-IV数据集上显著提升了性能，展示了联合建模高阶临床交互和长距离时间依赖性的有效性。

🔬 方法详解

问题定义：本文旨在解决现有医疗知识图谱方法在捕捉临床概念间高阶交互和长距离时间依赖性方面的不足，尤其是在死亡率预测等临床任务中的应用痛点。

核心思路：HoT-SSM通过构建超图来保留临床上下文，并引入动态状态空间模型以捕捉患者潜在状态的演变，从而有效建模高阶交互和时间依赖性。

技术框架：HoT-SSM的整体架构包括超图构建模块和动态状态空间模型模块。超图构建模块通过领域知识将相关临床概念分组为超边，而动态状态空间模型则用于学习患者状态随时间的变化。

关键创新：HoT-SSM的主要创新在于其动态超图状态空间模型，能够明确捕捉长距离时间依赖性，与现有方法相比，提供了更为细致的时间建模能力。

关键设计：在模型设计中，HoT-SSM采用了参数高效的结构，损失函数设计上注重于优化高阶交互的学习，同时在网络结构上结合了超图和状态空间模型的优势。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，HoT-SSM在MIMIC-III和MIMIC-IV数据集上相较于现有最先进模型，性能提升显著，具体提升幅度达到XX%（具体数据待补充），验证了其在高阶交互和时间依赖性建模方面的有效性。

🎯 应用场景

该研究的潜在应用领域包括临床预测、个性化医疗和公共卫生监测等。通过更准确地建模临床概念之间的关系，HoT-SSM能够为医疗决策提供更可靠的支持，未来可能对改善患者预后和优化医疗资源配置产生深远影响。

📄 摘要（原文）

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 are limited in capturing pairwise relations between clinical concepts (e.g., conditions, procedures, and medications), and restricts their ability to model higher-order interactions among co-occurring or semantically related concepts. In addition, most representation learning methods that leverage MKGs either collapse temporal information across visits or lack an explicit mechanism for modeling long-range temporal dependencies, which is critical for clinical tasks such as mortality prediction. To mitigate these limitations, we propose HoT-SSM, a parameter efficient and higher-order temporal graph reasoning with state space models. For each visit, HoT-SSM constructs hypergraphs by grouping semantically related clinical concepts into hyperedges using domain knowledge, thereby preserving visit-level clinical context. Further, to model the temporal dynamics while learning the representations, we introduce a novel dynamic hypergraph-based state space model that explicitly captures patients latent state evolution over time while preserving long-range information. The learned representations are used for downstream clinical prediction and reasoning. Experiments on MIMIC-III and MIMIC-IV datasets shows significant performance improvement over the current state-of-the-art models, demonstrating the effectiveness of jointly modeling higher-order clinical interactions and long-range temporal dependencies.