DKINet: Medication Recommendation via Domain Knowledge Informed Deep Learning

要約

薬の推奨は、医療の基本的かつ重要な分野であり、複雑な健康状態を持つ患者により正確な薬の処方を行う際に医師を支援する機会を提供します。
これまでの研究は主に、電子医療記録 (EHR) から患者の表現を学習することに焦点を当てていました。
患者の臨床症状を考慮することは重要ですが、患者の健康状態を診断する際には、領域固有の事前知識を組み込むことも同様に重要です。
ただし、専門分野の知識を患者の臨床症状と効果的に統合することは、特に複雑な臨床症状を扱う場合には困難になる可能性があります。
したがって、この論文では、最初に包括的な領域固有の事前知識、つまり知識抽出のための生物医学語彙と標準の包括的なリポジトリである統一医療言語システム (UMLS) を特定します。
続いて、複雑な臨床症状とドメイン知識の効果的な統合に取り組み、患者の健康状態の効果的な特徴付けを可能にする知識注入モジュールを提案します。
さらに、患者の薬歴が現在の投薬に及ぼす重大な影響を考慮して、現在の患者の表現に対する過去の投薬情報の長期的な影響を捕捉するために、過去の投薬を意識した患者表現モジュールを導入します。
3 つの公的ベンチマーク データセットに対する広範な実験により、私たちが提案した手法の優位性が検証され、他の手法を大幅に上回りました。
コードは https://github.com/sherry6247/DKINet から入手できます。

要約(オリジナル)

Medication recommendation is a fundamental yet crucial branch of healthcare that presents opportunities to assist physicians in making more accurate medication prescriptions for patients with complex health conditions. Previous studies have primarily focused on learning patient representation from electronic health records (EHR). While considering the clinical manifestations of the patient is important, incorporating domain-specific prior knowledge is equally significant in diagnosing the patient’s health conditions. However, effectively integrating domain knowledge with the patient’s clinical manifestations can be challenging, particularly when dealing with complex clinical manifestations. Therefore, in this paper, we first identify comprehensive domain-specific prior knowledge, namely the Unified Medical Language System (UMLS), which is a comprehensive repository of biomedical vocabularies and standards, for knowledge extraction. Subsequently, we propose a knowledge injection module that addresses the effective integration of domain knowledge with complex clinical manifestations, enabling an effective characterization of the health conditions of the patient. Furthermore, considering the significant impact of a patient’s medication history on their current medication, we introduce a historical medication-aware patient representation module to capture the longitudinal influence of historical medication information on the representation of current patients. Extensive experiments on three publicly benchmark datasets verify the superiority of our proposed method, which outperformed other methods by a significant margin. The code is available at: https://github.com/sherry6247/DKINet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google