面向用药推荐的知诱处方网络
机器学习
2024-06-13 v2
摘要
电子健康记录（EHRs）的广泛采用为其用于各类下游临床分析提供了契机。为实现此目的，以外部知识（如标准医学本体与丰富语义）扩充 EHR 队列，可借助医学编码间一系列信息性关联揭示更全面的洞见。然而，利用这些有益互联的做法极少被施行，尤其在用药推荐任务中。本研究提出一种新颖的知诱处方网络（KindMed），通过从海量医学相关外部源在 EHR 队列上诱导知识，并将互联医学编码呈现为医学知识图谱（KGs）来推荐药物。在关系感知图表示学习以获取此类 KGs 上的充分嵌入之上，我们利用层次化序列学习发掘并融合患者历史入院中临床（即诊断与处置）与用药流的时间动态，以促进个性化推荐。最终，我们采用考量三种关键患者表示的注意力处方：即联合历史医疗记录摘要、临床进展及患者当前临床状态。我们在扩充的真实世界 EHR 队列上验证了 KindMed 的有效性，相较若干图驱动基线取得了更优推荐性能。
引用
@article{arxiv.2310.14552,
title = {Knowledge-Induced Medicine Prescribing Network for Medication Recommendation},
author = {Ahmad Wisnu Mulyadi and Heung-Il Suk},
journal= {arXiv preprint arXiv:2310.14552},
year = {2024}
}