[論文レビュー] Safe Medicine Recommendation via Medical Knowledge Graph Embedding

Meng Wang, Liu Mengyue+4 more|arXiv (Cornell University)|Oct 16, 2017

Machine Learning in Healthcare参考文献 23被引用数 48

ひとこと要約

本稿では、電子的医療記録（MIMIC-III）、ICD-9オントロジー、DrugBankを異種知識グラフに統合する新規フレームワークであるSafe Medicine Recommendation（SMR）を提案する。患者、疾患、薬物を統合的に埋め込むことで、リンク予測タスクとしての薬物推薦を実現し、薬物同士の相互作用や有害な反応を組み込むことで、推薦の安全性を向上させる。実世界のデータ上で最先端の性能を達成した。

ABSTRACT

Most of the existing medicine recommendation systems that are mainly based on electronic medical records (EMRs) are significantly assisting doctors to make better clinical decisions benefiting both patients and caregivers. Even though the growth of EMRs is at a lighting fast speed in the era of big data, content limitations in EMRs restrain the existed recommendation systems to reflect relevant medical facts, such as drug-drug interactions. Many medical knowledge graphs that contain drug-related information, such as DrugBank, may give hope for the recommendation systems. However, the direct use of these knowledge graphs in the systems suffers from robustness caused by the incompleteness of the graphs. To address these challenges, we stand on recent advances in graph embedding learning techniques and propose a novel framework, called Safe Medicine Recommendation (SMR), in this paper. Specifically, SMR first constructs a high-quality heterogeneous graph by bridging EMRs (MIMIC-III) and medical knowledge graphs (ICD-9 ontology and DrugBank). Then, SMR jointly embeds diseases, medicines, patients, and their corresponding relations into a shared lower dimensional space. Finally, SMR uses the embeddings to decompose the medicine recommendation into a link prediction process while considering the patient's diagnoses and adverse drug reactions. To our best knowledge, SMR is the first to learn embeddings of a patient-disease-medicine graph for medicine recommendation in the world. Extensive experiments on real datasets are conducted to evaluate the effectiveness of proposed framework.

研究の動機と目的

• 電子的医療記録（EMR）にのみ依存する既存の薬物推薦システムの限界、特に薬物同士の相互作用などの包括的な医療事実が欠落している点を是正する。
• 直接推薦システムに使用された場合、不完全な医療知識グラフによって引き起こされるロバストネスの問題を克服する。
• 患者、疾患、薬物を統合的にモデル化する一貫したフレームワークを構築し、1つの異種グラフ内で単一の埋め込み空間に統合することで、推薦の正確性と安全性を向上させる。
• 薬物の有害反応と薬物同士の相互作用を推薦プロセスに組み込むことで、臨床的安心性を向上させる。
• 薬物推薦を目的とした、患者-疾患-薬物グラフ埋め込みをエンド・トゥ・エンドで学習する初の包括的フレームワークを実証する。

提案手法

• MIMIC-III EMRとICD-9疾患オントロジー、DrugBankを統合して、高品質な異種グラフを構築し、統合的患者-疾患-薬物知識グラフを形成する。
• グラフ埋め込み学習技術を用いて、患者、疾患、薬物、およびそれらの関係を共通の低次元ベクトル空間に統合的に表現する。
• 患者と薬物の間のリンク予測タスクとして薬物推薦を定式化し、診断済み疾患および既知の有害反応を条件として用いる。
• 学習済み埋め込みを活用して、潜在的な薬物相互作用を考慮しながら、安全で関連性の高い薬物処方を予測する。
• 異種グラフ内のエンティティ間の構造的および意味的関係を保持するための共同最適化戦略を採用する。
• 患者-診断、診断-薬物、薬物-有害反応のリンク予測の目的関数を組み合わせて、エンド・トゥ・エンドでモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 EMRと外部医療知識グラフを統合することで、薬物推薦システムの安全性と正確性が向上するか？
• RQ2 異種グラフ内で患者、疾患、薬物を共同埋め込みすることで、従来のEMRのみに依存する手法と比較して、推薦性能がどの程度向上するか？
• RQ3 有害な薬物反応と薬物同士の相互作用を組み込むことで、本フレームワークは安全な薬物処方をどの程度効果的に予測できるか？
• RQ4 患者-疾患-薬物関係の統一埋め込み空間の使用は、実臨床環境における一般化能力とロバストネスを向上させるか？

主な発見

• 提案されたSMRフレームワークは、EMRと構造化医療知識グラフの両方を活用することで、薬物推薦分野で最先端の性能を達成した。
• DrugBankとICD-9の統合により、異種グラフ内での不適切な薬物組み合わせの検出・回避能力が著しく向上した。
• 患者、疾患、薬物の共同埋め込みは、EMRデータにのみ依存するベースライン手法と比較して、より正確で臨床的に関連性の高い推薦を実現した。
• リンク予測に基づく推薦メカニズムは、有害な薬物反応を含む複雑な関係を効果的に捉えており、予測処方の安全性を向上させた。
• MIMIC-IIIデータセットを用いた広範な実験により、SMRの多様な臨床状況におけるロバストネスと一般化能力が実証された。
• 本フレームワークは、エンド・トゥ・エンド埋め込み学習を用いて患者-疾患-薬物グラフを明示的にモデル化する初のものであり、分野における新しいベンチマークを確立した。