ACDNet：用于高效用药推荐的注意力引导协同决策网络
机器学习
2023-09-27 v2
摘要
利用电子健康记录（EHR）进行用药推荐因复杂的医疗数据而颇具挑战。当前方法从患者 EHR 中提取纵向信息以实现个性化推荐。然而，现有模型往往缺乏充分的患者表征，且忽视了考虑患者用药记录与特定药物之间相似度的重要性。因此，本文提出一种用于用药推荐的注意力引导协同决策网络（ACDNet）。具体而言，ACDNet 利用注意力机制和 Transformer，通过在全局与局部层面建模患者历史就诊，有效捕获其健康状况与用药记录。ACDNet 还采用协同决策框架，利用用药记录与药物表征之间的相似度来促进推荐过程。在两个大规模医疗数据集 MIMIC-III 和 MIMIC-IV 上的实验结果清晰表明，ACDNet 在 Jaccard、PR-AUC 和 F1 分数上优于最先进（SOTA）模型，重申了其优越性。此外，消融实验有力证明了 ACDNet 中各模块的有效性，验证了它们对整体性能的贡献。进一步，详细的案例研究强化了 ACDNet 基于 EHR 数据的用药推荐有效性，展示了其在真实医疗场景中的实用价值。
引用
@article{arxiv.2307.03332,
title = {ACDNet: Attention-guided Collaborative Decision Network for Effective Medication Recommendation},
author = {Jiacong Mi and Yi Zu and Zhuoyuan Wang and Jieyue He},
journal= {arXiv preprint arXiv:2307.03332},
year = {2023}
}