CIDGMed：因果推断驱动的双粒度增强学习药物推荐
信息检索
2024-10-31 v2 人工智能
摘要
药物推荐旨在整合患者的长期健康记录，为特定健康状态提供准确且安全的药物组合。现有方法往往未能深入探索疾病/操作与药物之间的真实因果关系，导致推荐存在偏差。此外，在药物表示学习中，药物不同粒度信息（粗粒度：药物本身；细粒度：分子层面）之间的关系未能有效整合，导致表示学习存在偏差。为了解决这些局限性，我们提出了因果推断驱动的双粒度药物推荐方法（CIDGMed）。我们的方法利用因果推断揭示疾病/操作与药物之间的关系，从而增强推荐的合理性和可解释性。通过整合粗粒度的药物效应与细粒度的分子结构信息，CIDGMed提供了药物的全面表示。此外，我们在预测阶段采用偏差校正模型进一步优化推荐，确保准确性和安全性。通过大量实验，CIDGMed在多个指标上显著优于当前最先进的模型，准确率提升2.54%，副作用降低3.65%，时间效率提升39.42%。此外，我们通过案例研究展示了CIDGMed的合理性。
引用
@article{arxiv.2403.00880,
title = {CIDGMed: Causal Inference-Driven Medication Recommendation with Enhanced Dual-Granularity Learning},
author = {Shunpan Liang and Xiang Li and Shi Mu and Chen Li and Yu Lei and Yulei Hou and Tengfei Ma},
journal= {arXiv preprint arXiv:2403.00880},
year = {2024}
}