面向冷启动药物推荐的用户自适应元学习方法及不确定性过滤
机器学习
2026-02-02 v1 人工智能
摘要
大规模电子健康记录（EHR）数据库已成为通过数据驱动的治疗推荐支撑临床决策的必不可少工具。然而，现有的药物推荐方法常常在用户（即患者）冷启动问题上困扰，即由于缺乏足够的处方历史，为新患者提供的推荐通常不可靠。虽然已有研究利用医学知识图谱通过药理或化学关系将药物概念连接起来，但这些方法主要侧重于缓解物品冷启动问题，未能提供适应个体患者特征的个性化推荐。元学习在处理稀疏用户交互的推荐系统中显示出良好的潜力。然而，其在EHR中的应用仍未得到充分探索，这源于EHR数据独特的序列结构。为应对这些挑战，我们提出了MetaDrug——一个多层次、具备不确定性感知的元学习框架，用于解决药物推荐中的患者冷启动问题。MetaDrug提出了一种新颖的两级元适应机制，包括自适应机制——通过使用患者自身的医疗事件作为支持集来捕获时间依赖性；以及同伴适应机制——利用来自相似就诊的患者数据来丰富新患者的表征。同时，为进一步提高元适应效果，我们引入了不确定性量化模块，对支持就诊进行排序，并过滤与适应一致性无关的无关信息。我们在MIMIC-III和急性肾损伤（AKI）数据集上评估了该方法。在两个数据集上的实验结果表明，MetaDrug在冷启动患者上 consistently 优于当前最先进的药物推荐方法。
引用
@article{arxiv.2601.22820,
title = {User-Adaptive Meta-Learning for Cold-Start Medication Recommendation with Uncertainty Filtering},
author = {Arya Hadizadeh Moghaddam and Mohsen Nayebi Kerdabadi and Dongjie Wang and Mei Liu and Zijun Yao},
journal= {arXiv preprint arXiv:2601.22820},
year = {2026}
}
备注
IEEE International Conference on Data Engineering (ICDE) 2026 accepted paper