Nowadays, prediction for medical treatment migration has become one of the interesting issues in the field of health informatics. This is because the medical treatment migration behavior is closely related to the evaluation of regional medical level, the rational use of medical resources, and the distribution of medical insurance. Therefore, a prediction model for medical treatment migration based on medical insurance data is introduced in this paper. First, a medical treatment graph is constructed based on medical insurance data. The medical treatment graph is a heterogeneous graph, which contains entities such as patients, diseases, hospitals, medicines, hospitalization events, and the relations between these entities. However, existing graph neural networks are unable to capture the time-series relationships between event-type entities. To this end, a prediction model based on Graph Convolutional Network (GCN) is proposed in this paper, namely, Event-involved GCN (EGCN). The proposed model aggregates conventional entities based on attention mechanism, and aggregates event-type entities based on a gating mechanism similar to LSTM. In addition, jumping connection is deployed to obtain the final node representation. In order to obtain embedded representations of medicines based on external information (medicine descriptions), an automatic encoder capable of embedding medicine descriptions is deployed in the proposed model. Finally, extensive experiments are conducted on a real medical insurance data set. Experimental results show that our model's predictive ability is better than the best models available.

中文翻译：

---

基于GCN的医疗保险数据的医疗迁移预测。

如今，医疗迁移预测已成为健康信息学领域的热点问题之一。这是因为就医迁移行为与区域医疗水平评价、医疗资源合理利用、医保分配等密切相关。为此，本文提出了一种基于医保数据的就医迁移预测模型。首先，基于医保数据构建医疗图。医疗图是一个异构图，它包含患者、疾病、医院、药品、住院事件等实体，以及这些实体之间的关系。然而，现有的图神经网络无法捕捉事件类型实体之间的时间序列关系。为此，本文提出了一种基于图卷积网络（GCN）的预测模型，即Event-involved GCN（EGCN）。所提出的模型基于注意力机制聚合常规实体，并基于类似于 LSTM 的门控机制聚合事件类型实体。此外，还部署了跳转连接以获得最终的节点表示。为了根据外部信息（药物描述）获得药物的嵌入表示，在所提出的模型中部署了能够嵌入药物描述的自动编码器。最后，在真实的医疗保险数据集上进行了广泛的实验。实验结果表明，我们模型的预测能力优于现有的最佳模型。本文提出了一种基于图卷积网络（GCN）的预测模型，即Event-involved GCN（EGCN）。所提出的模型基于注意力机制聚合常规实体，并基于类似于 LSTM 的门控机制聚合事件类型实体。此外，还部署了跳转连接以获得最终的节点表示。为了根据外部信息（药物描述）获得药物的嵌入表示，在所提出的模型中部署了能够嵌入药物描述的自动编码器。最后，在真实的医疗保险数据集上进行了广泛的实验。实验结果表明，我们模型的预测能力优于现有的最佳模型。本文提出了一种基于图卷积网络（GCN）的预测模型，即Event-involved GCN（EGCN）。所提出的模型基于注意力机制聚合常规实体，并基于类似于 LSTM 的门控机制聚合事件类型实体。此外，还部署了跳转连接以获得最终的节点表示。为了根据外部信息（药物描述）获得药物的嵌入表示，在所提出的模型中部署了能够嵌入药物描述的自动编码器。最后，在真实的医疗保险数据集上进行了广泛的实验。实验结果表明，我们模型的预测能力优于现有的最佳模型。所提出的模型基于注意力机制聚合常规实体，并基于类似于 LSTM 的门控机制聚合事件类型实体。此外，还部署了跳转连接以获得最终的节点表示。为了根据外部信息（药物描述）获得药物的嵌入表示，在所提出的模型中部署了能够嵌入药物描述的自动编码器。最后，在真实的医疗保险数据集上进行了广泛的实验。实验结果表明，我们模型的预测能力优于现有的最佳模型。所提出的模型基于注意力机制聚合常规实体，并基于类似于 LSTM 的门控机制聚合事件类型实体。此外，还部署了跳转连接以获得最终的节点表示。为了根据外部信息（药物描述）获得药物的嵌入表示，在所提出的模型中部署了能够嵌入药物描述的自动编码器。最后，在真实的医疗保险数据集上进行了广泛的实验。实验结果表明，我们模型的预测能力优于现有的最佳模型。部署跳转连接以获得最终的节点表示。为了根据外部信息（药物描述）获得药物的嵌入表示，在所提出的模型中部署了能够嵌入药物描述的自动编码器。最后，在真实的医疗保险数据集上进行了广泛的实验。实验结果表明，我们模型的预测能力优于现有的最佳模型。部署跳转连接以获得最终的节点表示。为了根据外部信息（药物描述）获得药物的嵌入表示，在所提出的模型中部署了能够嵌入药物描述的自动编码器。最后，在真实的医疗保险数据集上进行了广泛的实验。实验结果表明，我们模型的预测能力优于现有的最佳模型。