[논문 리뷰] Drug Recommendation toward Safe Polypharmacy

Wen-Hao Chiang, Li Shen외 2명|arXiv (Cornell University)|2018. 03. 08.

Computational Drug Discovery Methods인용 수 7

한 줄 요약

이 논문은 약물 유해 반응(AER) 위험을 기반으로 금기 또는 허용할 약물을 추천하여 안전한 다약물 복용을 해결하기 위해 공동 희소 선형 추천 및 로지스틱 회귀 모델(SlimLogR)을 제안한다. 이 모델은 약물 동시처방 패턴과 ADR 확률을 함께 학습하여 실제 데이터셋에서 높은 ADR 예측 정확도와 금기/안전 약물 추천 능력을 보이며 기존 모델들을 능가한다.

ABSTRACT

Adverse drug reactions (ADRs) induced from high-order drug-drug interactions (DDIs) due to polypharmacy represent a significant public health problem. In this paper, we formally formulate the to-avoid and safe (with respect to ADRs) drug recommendation problems when multiple drugs have been taken simultaneously. We develop a joint model with a recommendation component and an ADR label prediction component to recommend for a prescription a set of to-avoid drugs that will induce ADRs if taken together with the prescription. We also develop real drug-drug interaction datasets and corresponding evaluation protocols. Our experimental results on real datasets demonstrate the strong performance of the joint model compared to other baseline methods.

연구 동기 및 목표

• 다양한 약물을 동시에 복용하는 상황에서 금기 및 안전 약물 추천 문제를 공식적으로 정의하고 해결한다.
• 중대한 공중보건 문제인 고차수 약물-약물 상호작용(DDI)으로 인한 약물 유해 반응(ADR)을 해결한다.
• 근거 기반, 사전적이고 환자 중심의 약물 처방 결정을 지원하는 데이터 기반 계산 프레임워크를 개발한다.
• 실세계 DDI 및 ADR 데이터셋과 평가 프로토콜을 구축하여 약물 추천 시스템의 재현 가능한 벤치마킹을 가능하게 한다.
• 전통적인 전자상거래 추천 모델을 개선하여 ADR 레이블 예측 및 동시처방 상호보완성 탐지 기능을 통합한다.

제안 방법

• ADR 레이블 예측을 위한 희소 선형 추천 구성요소와 로지스틱 회귀 구성요소를 결합한 공동 모델인 SlimLogR를 제안한다.
• 추천 구성요소는 ADR를 유발하는 처방과 유발하지 않는 처방으로부터 동시처방 패턴을 학습하여 관련 약물을 추천한다.
• ADR 레이블 예측 구성요소는 예측된 ADR 확률에 따라 추천을 재정렬하여 고위험 또는 안전 약물을 우선순위로 배치한다.
• 두 구성요소를 함께 학습하여 추천 결과가 예상되는 ADR 결과와 일치하도록 보장한다.
• 실제 전자 의무기록 데이터를 사용한 새로운 평가 프로토콜을 도입하여 추천 품질과 ADR 예측 성능을 평가한다.
• 실제 처방 데이터에서 추출한 데이터셋을 활용하여 고차수 DDI와 관련된 ADR를 식별하며, 수락 시 공개한다.

실험 결과

연구 질문

• RQ1 공동 모델은 다약물 복용에서 동시처방 패턴을 효과적으로 학습하고 ADR 위험을 예측하여 금기 약물을 추천하는 데에 얼마나 효과적인가?
• RQ2 SlimLogR 모델은 금기 및 안전 약물 추천 과제에서 기존 모델 대비 얼마나 우수한 성능을 보이는가?
• RQ3 모델은 실세계 처방 데이터로부터 고차수 DDI와 관련된 ADR를 어느 정도 탐지할 수 있는가?
• RQ4 처방에 알려진 ADR를 유발하는 약물이 포함되어 있지 않은 경우에도 모델은 ADR를 유발하지 않는 약물을 추천할 수 있는가?
• RQ5 근위증(예: 시미바스타틴, 아토르바스타틴)과 관련된 약물의 동시처방 패턴은 ADR 유발 그룹과 비유발 그룹 간에 어떻게 다를까?

주요 결과

• SlimLogR 모델은 실제 데이터셋에서 금기 및 안전 약물 추천 과제에서 기존 모델들을 뚜렷이 능가하며 뛰어난 예측 정확도를 입증한다.
• 모델은 SIDER에 기록된 lin28.72%의 ADR 유발 처방에서 근위증을 유발한다고 보고된 시미바스타틴과 아토르바스타틴과 같은 알려진 ADR를 유발하는 약물을 성공적으로 식별한다.
• ADR를 유발하는 처방에서 상위 동시처방 약물 조합(예: 살메타롤-플루티카손, 로피나비르-리티노비르)은 임상적 사용과 일치하여 모델의 신뢰성을 보여준다.
• 처방에 알려진 ADR를 유발하는 약물이 포함되어 있지 않은 경우에도 모델은 금기 약물을 추천할 수 있어 강력한 패턴 학습 및 일반화 능력을 보인다.
• 학습된 가중치 행렬 W+와 W−은 임상적으로 의미 있는 약물 조합을 반영하며, W−는 높은 조밀도(0.8%)를 보이며 HIV 치료에서 흔한 DDI 조합인 테노포비르-에문트리시타빈을 포착한다.
• 평가 프로토콜과 데이터셋은 공개되어 있어 향후 안전한 다약물 복용 연구의 재현성과 벤치마킹을 가능하게 한다.