DNMDR：面向安全用药的动态网络与多视图药物表示
机器学习
2025-01-16 v1 信息检索
摘要
药物推荐（MR）是医疗和临床领域涌现出众多应用的热门研究主题。然而，现有方法主要依赖顺序建模和静态图进行表征学习，忽略了患者分时病历中多样化医疗事件的时间性关联，导致节点全局结构探索不足。此外，缓解药物-药物相互作用（DDI）也是决定 MR 系统实用性的另一关键问题。为此，本文提出一种新型 MR 方法，集成动态网络与多视图药物表示（DNMDR）。具体而言，基于医疗记录中的离散访问，构建基于加权快照序列的动态异构网络，并联合训练所有动态网络，以获得多样化医疗事件中的结构关联和历史健康状况中的时序依赖，从而实现兼具语义特征和结构关系的全面患者表征。此外，结合药物共现和药物-药物相互作用（DDI）于药物分子结构内部视图和药物对之间的交互视图，获取安全高质量的药物表征，以实现高质量的药物组合推荐。最后，在真实世界数据集上进行大规模实验评估，实验结果表明，所提出的 DNMDR 方法在各种指标（如 PRAUC、Jaccard、DDI 率等）上均显著优于当前最先进的基线模型。
引用
@article{arxiv.2501.08572,
title = {DNMDR: Dynamic Networks and Multi-view Drug Representations for Safe Medication Recommendation},
author = {Guanlin Liu and Xiaomei Yu and Zihao Liu and Xue Li and Xingxu Fan and Xiangwei Zheng},
journal= {arXiv preprint arXiv:2501.08572},
year = {2025}
}