CausalMed：基于因果关系的个性化药物推荐

药物推荐系统旨在根据患者的健康状况推荐合适的药物组合。先前的研究主要侧重于学习患者表征，并取得了显著进展。然而，这些方法存在以下主要局限性：(i) 无法捕捉疾病/手术对不同患者健康状态影响的差异；(ii) 未能对药物与患者特定健康状态之间的直接因果关系进行建模，导致无法确定每种药物具体治疗哪种疾病。为解决这些局限性，我们提出了 CausalMed，一种以患者健康状态为中心的模型，能够增强患者表征的个性化。具体而言，CausalMed 首先通过因果发现捕捉疾病/手术与药物之间的因果关系，并评估其因果效应。在此基础上，CausalMed 着重分析患者的健康状态，捕捉疾病/手术在不同患者健康状态下的动态差异，并基于直接因果关系将疾病/手术转化为药物。最终，CausalMed 整合纵向就诊信息以推荐药物组合。在真实世界数据集上的大量实验表明，我们的方法能学习到更具个性化的患者表征，并在准确性和安全性方面优于最先进的模型。