StratMed: Relevance Stratification for Low-resource Medication Recommendation

要約

限られた医療リソースと増大する需要の間の不均衡が増大する中、AI ベースの臨床タスクが最も重要になっています。
サブドメインとしての薬剤推奨は、長期にわたる患者の病歴と医学的知識を融合し、医師がより安全で正確な薬剤の組み合わせを処方できるように支援することを目的としています。
既存の方法では、医療データに固有のロングテール分布が見落とされており、頭部データと尾部データの間のバランスのとれた表現が欠如しており、これがモデルのパフォーマンスを次善に導きます。
この課題に対処するために、革新的な関連性階層化メカニズムを組み込んだモデルである StratMed を紹介します。
データのロングテール分布の不一致を調整し、薬剤の組み合わせの安全性と正確性のバランスをとります。
具体的には、まず、エンティティ表現を取得するための深層学習ネットワークを使用した事前トレーニング手法を構築します。
その後、人気のないエンティティの特徴を強化することで、より一般化されたエンティティの関係を取得するために、ピラミッド状のデータ層別化手法を設計します。
この関係に基づいて、訪問表現を取得するために投薬の精度と安全性を同じレベルで表現する 2 つのグラフ構造を設計しました。
最後に、患者の過去の臨床情報を当てはめて、現在の健康状態に合わせた薬の組み合わせを生成します。
MIMIC-III データセットの実験では、私たちの手法が 4 つの評価指標 (安全性と精度を含む) において現在の最先端の手法を上回っていることが実証されています。

要約(オリジナル)

With the growing imbalance between limited medical resources and escalating demands, AI-based clinical tasks have become paramount. Medication recommendation, as a sub-domain, aims to amalgamate longitudinal patient history with medical knowledge, assisting physicians in prescribing safer and more accurate medication combinations. Existing methods overlook the inherent long-tail distribution in medical data, lacking balanced representation between head and tail data, which leads to sub-optimal model performance. To address this challenge, we introduce StratMed, a model that incorporates an innovative relevance stratification mechanism. It harmonizes discrepancies in data long-tail distribution and strikes a balance between the safety and accuracy of medication combinations. Specifically, we first construct a pre-training method using deep learning networks to obtain entity representation. After that, we design a pyramid-like data stratification method to obtain more generalized entity relationships by reinforcing the features of unpopular entities. Based on this relationship, we designed two graph structures to express medication precision and safety at the same level to obtain visit representations. Finally, the patient’s historical clinical information is fitted to generate medication combinations for the current health condition. Experiments on the MIMIC-III dataset demonstrate that our method has outperformed current state-of-the-art methods in four evaluation metrics (including safety and accuracy).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google