[논문 리뷰] SMR: Medical Knowledge Graph Embedding for Safe Medicine Recommendation

Fang Gong, Meng Wang외 3명|arXiv (Cornell University)|2017. 10. 16.

Machine Learning in Healthcare참고 문헌 19인용 수 15

한 줄 요약

이 논문은 전자 의무기록(MIMIC-III)과 의료 지식 그래프(ICD-9 및 DrugBank)를 통합하여 질병, 약물, 환자에 대한 통합 임bedding을 생성하는 새로운 프레임워크인 SMR을 제안한다. 이는 약물 상호작용의 부작용을 고려하면서도 링크 예측을 통해 안전한 약물 추천을 가능하게 한다. SMR는 커버리지와 안전성 측면에서 베이스라인을 능가하며, 실제 환자 사례에서 유해한 약물-약물 상호작용을 피한다.

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.

연구 동기 및 목표

• 단지 전자 의무기록(EMRs)에 의존하는 기존의 약물 추천 시스템이 약물-약물 상호작용과 같은 포괄적인 의료 사실을 누락하는 한계를 해결하기 위해.
• 복합 다질환 환자에서 강력한 추천을 방해하는 DrugBank 및 ICD-9와 같은 의료 지식 그래프의 데이터 불완전성 문제를 해결하기 위해.
• 질병, 약물, 환자 및 임상 관계를 통합하여 통합된 저차원 공간에 임bedding함으로써 추천의 강건성과 안전성을 향상시키기 위해.
• 유해한 약물 반응과 약물-약물 상호작용을 고려한 실시간, 확장 가능하고 안전한 약물 추천을 가능하게 하기 위해.

제안 방법

• MIMIC-III EMRs를 ICD-9 질병 온톨로지 및 DrugBank 약물 정보와 융합하여 고품질의 이질적 지식 그래프를 구축하기 위해.
• 질병, 약물, 환자 및 그들의 임상 관계를 공통의 저차원 벡터 공간에 매핑하기 위해 통합 지식 그래프 임bedding을 적용하기 위해.
• 환자와 약물 간의 링크 예측 문제로 약물 추천을 공식화하며, 진단된 질병과 알려진 부작용 약물 상호작용을 조건으로 삼기 위해.
• 환자의 병력과 외부 지식 기반에서의 의료 사실을 모두 포함하는 맥락 기반 표현을 학습하기 위해 그래프 신경망 기법을 활용하기 위해.
• 기존의 알려진 부작용 약물 상호작용(DDIs)과 같은 임상 제약 조건을 추천 파이프라인에 통합하여 안전성을 향상시키기 위해.
• 정확한 약물 추천과 DDI 회피를 동시에 최적화하기 위해 다중 작업 학습 목표를 사용하기 위해.

실험 결과

연구 질문

• RQ1 외부 의료 지식 그래프와 EMRs를 통합함으로써 약물 추천 시스템의 정확성과 안전성을 향상시킬 수 있는가?
• RQ2 환자, 질병, 약물을 통합 임bedding하는 것이 개인화된 치료를 위한 복잡한 임상 관계를 얼마나 잘 포착할 수 있는가?
• RQ3 제안된 프레임워크가 기존 시스템에 비해 유해한 약물 상호작용의 위험을 어느 정도 감소시킬 수 있는가?
• RQ4 다중 병변이 있는 환자나 복잡한 약물 병용력이 있는 환자에게도 모델이 일반화되는가?
• RQ5 신규 약물이나 질환이 학습 데이터에 존재하지 않는 추천의 냉각기 시나리오에서 시스템의 성능은 어떠한가?

주요 결과

• Sepsis, 호흡부전, 고혈압을 앓는 복잡한 환자 사례에서 SMR는 100% 커버리지로 적절한 약물 조합을 추천하여 룰 기반 및 빈도 기반 베이스라인을 모두 능가했다.
• 2型 당뇨, 류마티스 관절염, 고혈압을 앓는 두 번째 환자 사례에서 SMR는 부작용이 없는 임상적으로 적절한 약물 요법을 추천했다.
• K-최빈 빈도 기반 베이스라인은 해로운 약물 조합(Tolbutamide와 Phenylbutazone)을 추천했지만, SMR는 DDI 인식 설계 덕분에 이를 성공적으로 피했다.
• 실제 MIMIC-III 데이터 기반 평가에서 SMR는 정밀도 및 안전성 지표 모두에서 여러 평가 지표에서 뛰어난 성능을 보였다.
• 외부 의료 지식을 효과적으로 활용하여 EMRs에 누락된 임상 사실, 특히 희귀하거나 복잡한 약물 상호작용에 대해 보완함으로써 효과를 발휘했다.
• 실험 결과, 환자, 질병, 약물을 통합 임bedding하는 것이 고립된 데이터 소스를 사용하는 모델에 비해 추천 품질을 크게 향상시킨다는 것이 확인되었다.