[論文レビュー] PREMIER: Personalized REcommendation for Medical prescrIptions from Electronic Records

Suman Bhoi, Mong Li Lee+1 more|arXiv (Cornell University)|Aug 28, 2020

Machine Learning in Healthcare参考文献 34被引用数 10

ひとこと要約

PREMIERは、縦断的EHRデータ、薬剤の共起パターン、既知の薬物相互作用を活用して、解釈可能な根拠とともに低リスクで個別化された薬剤推薦を行う2段階型のアテンションベースの薬剤推薦システムである。MIMIC-IIIおよび独自の外来データセットにおいて、薬物間相互作用（DDI）を最小限に抑えつつ、優れた正確性を達成し、最先端のモデルを上回っている。事例研究により、その説明の臨床的妥当性が確認された。

ABSTRACT

The broad adoption of Electronic Health Records (EHR) has led to vast amounts of data being accumulated on a patient's history, diagnosis, prescriptions, and lab tests. Advances in recommender technologies have the potential to utilize this information to help doctors personalize the prescribed medications. In this work, we design a two-stage attention-based personalized medication recommender system called PREMIER which incorporates information from the EHR to suggest a set of medications. Our system takes into account the interactions among drugs in order to minimize the adverse effects for the patient. We utilize the various attention weights in the system to compute the contributions from the information sources for the recommended medications. Experiment results on MIMIC-III and a proprietary outpatient dataset show that PREMIER outperforms state-of-the-art medication recommendation systems while achieving the best tradeoff between accuracy and drug-drug interaction. Two case studies are also presented demonstrating that the justifications provided by PREMIER are appropriate and aligned to clinical practices.

研究の動機と目的

• 既存の薬剤推薦システムが縦断的患者履歴や薬物相互作用リスクを無視するという限界を是正すること。
• 患者の診断、手術、過去の薬剤投与に基づいた解釈可能な根拠を提供するシステムの開発。
• EHRの訪問履歴における時間的依存関係と薬物相互作用知識を同時にモデル化し、正確で安全かつ個別化された薬剤提案を実現すること。
• 既知の薬物間相互作用データを推薦プロセスに統合することで、有害な薬物反応を最小限に抑えること。
• 実世界の入院および外来EHRデータセットを用いた、推薦の臨床的妥当性と正確性の評価。

提案手法

• 2段階アーキテクチャ：第1段階では、診断、手術、過去の薬剤投与から、患者に特化したクエリベクトルを生成するためのデュアルアテンション機構を訪問履歴に適用する。
• 第2段階では、EHRデータと既知の相互作用を含む知識グラフから関連する薬物相互作用および共起をグラフアテンションネットワーク（GAT）を用いて検索する。
• アテンション重みを用いて、各入力ソース（診断、手術、既往薬剤）が各推薦薬剤に与える寄与度を定量化し、説明の生成を可能にする。
• 予測の正確性とDDIの最小化を組み合わせたマルチタスク損失を用い、検証データ上で調整されたハイパーパrameterを用いてエンドツーエンドでモデルを訓練する。
• 患者の臨床的プロファイルに基づいて関連する相互作用を優先する重み付き検索メカニズムを介して、薬物相互作用情報を統合する。
• 手術コードを含まないデータセット向けに、手術依存のコンponentsを削除することで、外来データでも性能を維持するようにシステムを適応させる。

実験結果

リサーチクエスチョン

• RQ1 縦断的EHRデータと薬物相互作用知識を活用することで、2段階型のアテンションベースのモデルが薬剤推薦の正確性を向上させられるか。
• RQ2 アテンションメカニズムが、診断、手術、既往薬剤といった臨床的要因が薬剤推薦に与える影響をどの程度特定・定量化できるか。
• RQ3 PREMIERは、推薦の正確性と薬物間相互作用（DDI）低減の両立において、最先端のシステムと比較してどのように差をつけるか。
• RQ4 PREMIERが生成する説明は臨床的に妥当で、標準的な医療実践と整合しているか。
• RQ5 PREMIERは、入院と外来の設定という異なるEHRデータの分布にも一般化可能か。

主な発見

• MIMIC-IIIデータセットでは、PREMIERは全比較モデルの中で最高の推薦正確性と最低のDDIスコアを達成し、LEAP、DMNC、GameNetを上回った。
• 独自の外来データセットでは、PREMIERは正確性とDScoreの両面で最高のパフォーマンスを維持し、1患者あたりの推薦数が真値に近く、LEAP（推薦不足）やGameNet（過剰推薦）とは対照的であった。
• アテンション機構は、重要な臨床的要因を的確に特定した：バイパス手術後患者の例では、手術と心房細動が薬剤推薦に最も寄与しており、臨床ガイドラインと一致した。
• 気管支拡張症で機械的換気を要する患者の事例において、PREMIERは手術に基づき筋弛緩薬と鎮静薬の適正性を正しく説明した。
• ケーススタディによる検証で、モデルの説明は確立された医療的推論と整合しており、信頼性と臨床的受容性を高めた。
• 診断頻度が低く、手術コードを含まないデータセットを含む、特性の異なるデータセットに対しても、PREMIERは強固な性能を示し、一般化能力を確認した。