知识驱动的新药推荐
机器学习
2022-10-12 v1 人工智能
信息检索
摘要
药物推荐协助医生根据患者的健康状况为其开具个性化药物。现有药物推荐解决方案采用有监督多标签分类设置，仅适用于具有来自许多患者充足处方数据的现有药物。然而，新批准的药物没有太多历史处方数据，无法利用现有的药物推荐方法。为了解决这一问题，我们将新药推荐表述为一个小样本学习问题。然而，直接应用现有小样本学习算法面临两个挑战：(1) 疾病与药物之间的复杂关系，以及 (2) 大量本符合条件但尚未使用新药的假阴性患者。为了应对这些挑战，我们提出了 EDGE，它能够利用来自少数支持患者的有限处方数据快速适应新药的推荐。EDGE 维护一个依赖于药物的多表型小样本学习器，以弥合现有药物与新药之间的差距。具体而言，EDGE 利用药物本体将新药与具有相似治疗效果的现有药物联系起来，并学习基于本体的药物表示。此类药物表示用于定制表型驱动的患者表示的度量空间，该表示由捕获复杂患者健康状况的一组表型组成。最后，EDGE 使用外部药物-疾病知识库消除假阴性监督信号。我们在两个真实世界数据集上评估 EDGE：公开 EHR 数据 (MIMIC-IV) 和私有工业理赔数据。结果显示，EDGE 在 ROC-AUC 分数上比最佳基线提高了 7.3%。
引用
@article{arxiv.2210.05572,
title = {Knowledge-Driven New Drug Recommendation},
author = {Zhenbang Wu and Huaxiu Yao and Zhe Su and David M Liebovitz and Lucas M Glass and James Zou and Chelsea Finn and Jimeng Sun},
journal= {arXiv preprint arXiv:2210.05572},
year = {2022}
}