今天我们介绍中国人民大学高瓴人工智能学院的严睿团队发表在NeurIPS 2022会议上的工作,这篇文章提出了一种新的药物推荐模型,名为DrugRec,该模型解决了药物推荐中的三个关键因素:消除由于可观察信息限制而产生的偏见、更好地利用历史健康情况和协调多种药物以控制安全性。该模型基于因果推断,使用图形模型识别和去除推荐偏差,通过建模多次就诊情况以包含患者的历史健康状况,并使用命题可满足性问题来建模药物-药物相互作用(DDI)。
背景介绍
当前医院药物推荐过程中现有技术在处理偏见和历史信息方面存在局限性,面对以上问题,本文提出了一种新的药物推荐模型DrugRec,该模型解决了药物推荐中的关键因素,如消除偏见、更好地利用历史健康状况以及协调多种药物以控制安全性。本文通过提出的模型为这些挑战提供了一个全面的解决方案,并在MIMIC-III和MIMIC-IV数据集上实现了最先进的性能。本文解决了药品推荐过程中的重要问题,为提高医院药品处方过程的效率和准确性提供了有前景的解决方案。
本文的创新与贡献:
本文构建了一个药物推荐因果图模型,并利用前门调整来缓解隐形推荐偏差。
本文提出了两种建模方案,将图形模型扩展到多次就诊场景,以更好地模拟患者的历史健康状况。
本文用2-SAT问题对DDI建模,以协调推荐并提高推荐安全性。
本文还提出了一种启发式方法,从因果图中提取2-SAT的非平凡解来优化推荐概率。
方法介绍
单次访问的药物推荐流程
对于单次访问的药物推荐流程,该模型利用因果推断方法建立一个图形模型以消除推荐偏差。然后,该模型使用样本策略估计解决了药物间相互作用问题,并使用注意力机制学习历史信息以提高准确性。最后,该模型使用评分网络为当前患者访问推荐药物。
图1:药物推荐的因果图。变量表示:C:混杂因素,D:诊断,P:程序,R:患者就诊表现,S:症状,M:用药,Y:推荐概率。虚线箭头和圆圈表示潜在变量和链接
多个访问的药物推荐流程
对于多个访问的药物推荐流程,该模型将单个访问的算法流程扩展到多次访问,并使用了两种建模方法。一种是DrugRec-a模型,它将历史访问聚合成一个单一的因果图,然后采取单次访问的药物推荐流程;另一种是DrugRec-k模型,它只考虑最近的 k 次访问,使用因果推断方法处理药物推荐偏差,并使用样本策略估计药物间相互作用问题,最后使用评分网络推荐当前访问的药物。以下为DrugRec-k的模型架构:
图2:DrugRec-k模型概述,包括四个模块:(a)输入表征;(b)更新网络;(c)评分网络;(d)带有2-SAT的可控DDI
实验介绍
数据集:本文采用了两个公开的真实世界的电子健康记录数据集 MIMIC-III 和 MIMIC-IV。其中 MIMIC-III 数据集采集于 2001 年至 2012 年间的美国麻省总医院,包含了超过 58,000 例从 ICU 转出的病人的医疗记录。MIMIC-IV 数据集则是在基于 MIMIC-III 数据集进行扩展的基础上,增加了更多的临床数据库,例如 EICU、Cerner HealthFacts、Cleveland Clinic Foundation等,使得其数据量更大、更加全面。同时,为了考虑药物的相互作用问题,本文还使用了 TWOSIDES 数据库中的药物相互作用关系,使用 NDC 和 ATC 代码对药品进行编码和整合。数据处理和预处理方面,本文按照之前的相关工作来进行,包括文本内容提取、数据去重等。
实验过程:本文使用了公开可得的MIMIC-III和MIMIC-IV电子病历数据集,将其中的诊断和操作转换为对应的文本描述,并从临床笔记中提取症状信息。同时,基于TWOSIDES获取药物之间的相互作用关系,并将药物编码从NDC转换为ATC第三级以便于与MIMIC集成。在数据处理方面,本文与之前的研究按照相同的方法进行处理。在分别将数据分为测试集、训练集和验证集之后,本文使用了相同的数据分割方法对多个基线方法(包括LR,ECC,LEAP,RETAIN,GAMENet,MICRON等)进行了比较。本文使用了标准效果度量标准,包括Jaccard相似度得分、精确度召回AUC和F1得分等,同时还包括DDI的比例和药物数量等指标。为了验证每种组件对模型性能的影响,本文使用了不同的模型变体进行了消融分析。本文总共进行了10轮有放回抽样实验。
实验结果:DrugRec模型表现出了最佳的效果,其Jaccard得分、PRAUC和F1分数均显著优于其他基准模型,并得到出更低的DDI比率。
表1:MIMIC-III / MIMIC-IV的实验结果。Ground-truth DDI Rate为0.0754 / 0.0713
表2:MIMIC-III数据集上DrugRec的消融研究
总结
这项工作主要关注药物推荐任务的三个基本方面,并提出了新的模型来增强它们。本文首先为药品推荐任务设计了一个因果图模型,并用前门调整缓解了隐形推荐偏差的影响。为了更好地模拟患者的历史健康状况,本文进一步描述了将因果图扩展到多次就诊场景的两种建模方案。本文还提出了一种新的2-SAT算法来协调多种药物与DDI。在MIMIC-III/IV数据集上的综合实验结果表明,本文的方法在有效性指标上显著优于所有基线,并成功控制了有害的DDI关系。本文希望该方法能够帮助提高医院实际药物处方过程的效率和准确性,并有益于公众健康和福祉。
参考资料
Sun H, Xie S, Li S, et al. Debiased, Longitudinal and Coordinated Drug Recommendation through Multi-Visit Clinic Records[J]. Advances in Neural Information Processing Systems, 2022, 35: 27837-27849.Sun H, Xie S, Li S, et al. Debiased, Longitudinal and Coordinated Drug Recommendation through Multi-Visit Clinic Records[J]. Advances in Neural Information Processing Systems, 2022, 35: 27837-27849.
联系客服