[論文レビュー] SMR: Medical Knowledge Graph Embedding for Safe Medicine Recommendation

Fang Gong, Meng Wang+3 more|arXiv (Cornell University)|Oct 16, 2017

Machine Learning in Healthcare参考文献 19被引用数 15

ひとこと要約

本稿では、電子歴史記録（MIMIC-III）と医療知識グラフ（ICD-9およびDrugBank）を統合する新規フレームワークSMRを提案する。SMRは、疾患、薬剤、患者のための連携埋め込みを生成し、リンク予測を通じて安全な薬剤推薦を可能にするとともに、有害な薬剤同士の相互作用を考慮する。SMRはカバレッジおよび安全性の面でベースラインを上回り、実際の患者症例において有害な薬剤同士の相互作用を回避する。

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

• 電子歴史記録（EMR）に依存する既存の薬剤推薦システムの限界に対処すること。これらはしばしば薬剤同士の相互作用などの包括的な医療事実を欠如している。
• DrugBank や ICD-9 などの医療知識グラフにおけるデータの不完全性に起因する、複数疾患を有する複雑な患者における堅牢な推薦の障害を克服すること。
• 疾患、薬剤、患者、および臨床的関係を統合的に埋め込み、統一された低次元空間にマップすることで、推薦の堅牢性と安全性を向上させること。
• 有害な薬剤反応や薬剤同士の相互作用を考慮した、リアルタイムでスケーラブルかつ安全な薬剤推薦を可能にすること。

提案手法

• MIMIC-III EMR と ICD-9 疾患オントロジー、DrugBank 薬剤情報の統合により、高品質な非同質的知識グラフを構築する。
• 疾患、薬剤、患者、およびそれらの臨床的関係を、共有された低次元ベクトル空間にマップするための連携知識グラフ埋め込みを適用する。
• 患者と薬剤の間のリンク予測タスクとして薬剤推薦を定式化し、診断済み疾患および既知の有害な薬剤相互作用を条件として設定する。
• グラフニューラルネットワーク技術を活用して、外部の知識ベースからの医療事実と患者の履歴を両方とも含む文脈的表現を学習する。
• 既知の有害な薬剤同士の相互作用（DDI）といった臨床的制約を推薦パイプラインに統合し、安全性を向上させる。
• 正確な薬剤予測とDDI回避の両方を同時に最適化するためのマルチタスク学習目的関数を用いる。

実験結果

リサーチクエスチョン

• RQ1 EMRを外部の医療知識グラフと統合することで、薬剤推薦システムの正確性と安全性が向上するか？
• RQ2 患者、疾患、薬剤の連携埋め込みは、パーソナライズド治療のための複雑な臨床的関係をどれほど的確に捉えられるか？
• RQ3 提案されたフレームワークは、ベースラインシステムと比較して、有害な薬剤相互作用のリスクをどの程度低減できるか？
• RQ4 複数の合併症や複雑な薬剤歴を有する患者に一般化できるか？
• RQ5 新しい薬剤や疾患がトレーニングデータに存在しないコールドスタートのシナリオにおいて、モデルはどの程度の性能を示すか？

主な発見

• Sepsis、呼吸不全、高血圧を有する複雑な患者症例において、SMRは100％のカバレッジを達成し、ルールベースおよび頻度ベースのベースラインを上回った。
• 2型糖尿病、 rheumatoid arthritis、高血圧を有する第二の患者症例において、SMRは有害な薬剤相互作用を伴わない安全で臨床的に適切な投薬スケジュールを提案した。
• K-最も頻度の高いベースラインは有害な薬剤の組み合わせ（Tolbutamide と Phenylbutazone）を推薦していたが、SMRはそのDIDに配慮した設計により、これを効果的に回避した。
• SMRは、実世界のMIMIC-IIIデータ上での複数の評価指標において、精度と安全性の両面で優れた性能を示した。
• フレームワークは、EMRに欠落している臨床的事実、特にレアまたは複雑な薬剤相互作用に対し、外部の医療知識を効果的に活用した。
• 実験により、患者、疾患、薬剤の連携埋め込みが、独立したデータソースを使用するモデルと比較して、推薦品質を顕著に向上させることを確認した。