Knowledge-Induced Medicine Prescribing Network for Medication Recommendation

要約

電子医療記録 (EHR) の広範な導入により、さまざまな下流の臨床分析で EHR を使用する機会が生まれます。
この目的を達成するには、EHR コホートを外部の知識 (標準化された医療オントロジーや豊富なセマンティクスなど) で強化することで、医療コード間のさまざまな情報関係を通じて、より包括的な洞察を明らかにできる可能性があります。
それにもかかわらず、これらの有益な相互関係を活用することは、特に投薬推奨タスクにおいてはほとんど実行されていませんでした。
この研究は、無数の医療関連の外部ソースからの知識を EHR コホートに誘導し、相互接続された医療コードを医療知識グラフ (KG) としてレンダリングすることにより、医薬品を推奨する新しい知識誘導医薬品処方ネットワーク (KindMed) を提案します。
このような KG に対する適切な埋め込みを取得するための関係を意識したグラフ表現学習に加えて、階層シーケンス学習を活用して、患者の過去の入院全体にわたる臨床 (つまり、診断と処置) と医療の流れの時間的ダイナミクスを発見して融合し、個別化された推奨事項を促進します。
。
最終的に、私たちは 3 つの重要な患者の表現、つまり過去の共同医療記録の概要、臨床経過、患者の現在の臨床状態を考慮した注意深く処方を行います。
私たちは、拡張された現実世界の EHR コホートに対する KindMed の有効性を検証し、少数のグラフ主導のベースラインに対して推奨パフォーマンスの向上を達成しました。

要約(オリジナル)

Extensive adoption of electronic health records (EHRs) offers opportunities for their use in various downstream clinical analyses. To accomplish this purpose, enriching an EHR cohort with external knowledge (e.g., standardized medical ontology and wealthy semantics) could help us reveal more comprehensive insights via a spectrum of informative relations among medical codes. Nevertheless, harnessing those beneficial interconnections was scarcely exercised, especially in the medication recommendation task. This study proposes a novel Knowledge-Induced Medicine Prescribing Network (KindMed) to recommend medicines by inducing knowledge from myriad medical-related external sources upon the EHR cohort and rendering interconnected medical codes as medical knowledge graphs (KGs). On top of relation-aware graph representation learning to obtain an adequate embedding over such KGs, we leverage hierarchical sequence learning to discover and fuse temporal dynamics of clinical (i.e., diagnosis and procedures) and medicine streams across patients’ historical admissions to foster personalized recommendations. Eventually, we employ attentive prescribing that accounts for three essential patient representations, i.e., a summary of joint historical medical records, clinical progression, and the current clinical state of patients. We validated the effectiveness of our KindMed on the augmented real-world EHR cohorts, achieving improved recommendation performances against a handful of graph-driven baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google