对抗药品“桶效应”：多知识对齐的药物推荐

药物推荐在医疗保健领域至关重要，可基于患者的电子健康记录（EHR）提供有效治疗方案。先前研究表明，整合更多药物相关知识可提高药物表示的准确性。然而，并非所有药物在同时包含多种类型的数据。例如，一些药物仅提供文本描述而无结构化数据。这种数据可用性的不平衡限制了现有模型的性能，我们将这种挑战称为药物推荐中的“桶效应”。本文的数据分析揭示了药物推荐中“桶效应”的严重程度。为填补这一空白，我们引入一种跨模态药物编码器，能够无缝对齐来自不同模态的数据，并提出一种整合多种知识类型的药物推荐框架，命名为MKMed。具体而言，我们首先在五种知识模态上进行对比学习预训练，將其对齐到统一的特征空间中。随后，将多知识药物表示与患者记录结合用于推荐。大量实验在MIMIC-III和MIMIC-IV数据集上表明，MKMed有效缓解了数据中的“桶效应”，在推荐准确性和安全性方面显著优于最先进的基线方法。