Pesquisadores propõem framework RHT para gerenciar dados multitabelas complexos na saúde
Novo estudo no arXiv propõe a arquitetura Relational Hypergraph Transformer para lidar com a complexidade de dados multitabelas em sistemas de informação.
Uma equipe de pesquisadores liderada por Edouard Lansiaux publicou um artigo científico na plataforma arXiv (código: arXiv:2608.26149), nas categorias de Inteligência Artificial e Machine Learning, apresentando uma abordagem metodológica e conceitual para a análise multitabelas em 5D (5D Multi-Table Analysis).
O aprendizado multitabelas (multi-table learning) é um grande desafio na área da saúde e em sistemas de informação complexos devido a múltiplos fatores relacionais combinados. O estudo identificou "cinco dimensões de complexidade": volume massivo de dados, alta dimensionalidade de variáveis, densidade de dados categóricos, relações intrincadas entre tabelas e medições temporais recorrentes.
Para enfrentar esses desafios, os autores desenvolveram a arquitetura Relational Hypergraph Transformer (RHT), que converte bancos de dados relacionais em hipergrafos (hypergraphs), aprende embeddings pentadimensionais (PentE) e processa atenção relacional esparsa (sparse relational attention) com complexidade proporcional ao grau médio de relações, em vez do quadrado do número de entidades no sistema.
A pesquisa oferece uma abordagem inovadora para otimizar o processamento de bancos de dados complexos e de grande escala, como prontuários eletrônicos de saúde, abrindo caminho para uma ingestão e reutilização mais eficientes desses dados no futuro.