[논문 리뷰] PREMIER: Personalized REcommendation for Medical prescrIptions from Electronic Records

Suman Bhoi, Mong Li Lee외 1명|arXiv (Cornell University)|2020. 08. 28.

Machine Learning in Healthcare참고 문헌 34인용 수 10

한 줄 요약

PREMIER는 종단간 기록(EHR) 데이터, 약물 동시 발생 패턴, 알려진 약물 상호작용을 활용하여 개인화된 낮은 위험의 약물 처방을 제공하고 해석 가능한 근거를 제시하는 이단계형 주의 기반 약물 추천 시스템이다. MIMIC-III 및 기업 외래 환자 데이터셋에서 최신 기술 모델을 능가하며, 약물-약물 상호작용(DDI)을 최소화하면서도 높은 정확도를 달성했으며, 사례 연구를 통해 그 설명의 임상적 관련성이 확인되었다.

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.

연구 동기 및 목표

• 기존 약물 추천 시스템이 종단간 환자 기록과 약물 상호작용 위험을 忽시하는 한계를 해결하기 위해.
• 환자의 진단, 절차, 과거 약물 복용 이력 기반으로 설명 가능한 근거를 제공하는 시스템을 개발하기 위해.
• EHR 내 진료 기록의 시간적 의존성과 약물 상호작용 지식을 동시에 모델링하여 정확하고 안전하며 개인화된 약물 추천을 제공하기 위해.
• 기존 알려진 약물-약물 상호작용 데이터를 추천 과정에 통합하여 약물 부작용을 최소화하기 위해.
• 실제 입원 및 외래 EHR 데이터셋에서 추천의 임상적 관련성과 정확도를 평가하기 위해.

제안 방법

• 이단계 아키텍처: 첫 번째 단계는 진단, 절차, 과거 약물 복용 이력에 대해 환자 진료 기록에 대한 이중 주의 메커니즘을 적용하여 개인화된 쿼리 벡터를 생성한다.
• 두 번째 단계는 EHR 데이터와 알려진 상호작용을 담은 지식 그래프에서 관련 약물 상호작용과 동시 발생을 그래프 주의 네트워크(GAT)를 통해 검색한다.
• 주의 가중치는 각 입력 소스(진단, 절차, 이전 약물)가 각 추천 약물에 기여하는 정도를 정량화하며, 이는 설명 생성을 가능하게 한다.
• 예측 정확도와 DDI 최소화를 동시에 고려한 다중 작업 손실을 사용하여 엔드 투 엔드로 모델을 훈련하며, 검증 데이터를 기반으로 하이퍼파라미터를 최적화한다.
• 환자의 임상 프로파일에 기반해 관련 상호작용을 우선순위로 정렬하는 가중치 기반 검색 메커니즘을 통해 약물 상호작용 정보를 통합한다.
• 절차 코드가 없는 데이터셋에 적응하기 위해 절차 기반 구성 요소를 제거하였으며, 외래 환자 데이터에서 성능을 유지하였다.

실험 결과

연구 질문

• RQ1 종단간 EHR 데이터와 약물 상호작용 지식을 활용하는 이단계형 주의 기반 모델이 약물 추천 정확도를 향상시킬 수 있는가?
• RQ2 주의 메커니즘이 얼마나 정확히 임상적 요인(진단, 절차, 이전 약물 복용)이 각 약물 추천에 기여하는지를 식별하고 정량화할 수 있는가?
• RQ3 PREMIER는 추천 정확도와 약물-약물 상호작용(DDI) 감소를 균형 있게 달성하는 데서 최신 기술 모델과 어떻게 비교되는가?
• RQ4 PREMIER가 생성한 설명은 임상적으로 타당하고 표준 의료 관행과 일치하는가?
• RQ5 PREMIER는 입원 환자와 외래 환자 설정 등 다양한 EHR 데이터 분포에 일반화되는가?

주요 결과

• MIMIC-III 데이터셋에서 PREMIER는 모든 비교 모델 중 가장 높은 추천 정확도와 가장 낮은 DDI 스코어를 기록했으며, LEAP, DMNC, GameNet을 모두 능가했다.
• 기타 외래 환자 데이터셋에서 PREMIER는 정확도와 DScore 모두 최상의 성능을 유지했으며, 환자당 추천 수가 실제값과 유사했고, LEAP(과소 추천)와 GameNet(과다 추천)와는 대조되었다.
• 주의 메커니즘이 핵심 임상적 요인을 성공적으로 식별했다: 우회순환 수술 후 환자에서 절차와 심방세동이 약물 추천에 가장 큰 기여를 했으며, 이는 임상 지침과 일치했다.
• 기계적 통기 필요성이 있는 기도 장애 환자 사례에서, PREMIER는 절차 기반으로 근육이완제와 진정제의 추천을 정확히 설명했으며, 임상 관행과 일치했다.
• 사례 연구를 통해 모델의 설명이 기존 의료 추론과 일치함을 검증하였으며, 이는 신뢰도 향상과 임상 수용성 향상에 기여했다.
• 다양한 특성(낮은 진단 빈도, 절차 코드 없음)을 가진 데이터셋에서도 PREMIER는 뛰어난 일반화 능력을 보이며 안정적인 성능을 유지함을 확인했다.