[论文解读] Do recommender systems function in the health domain: a system review

Su Jia, Yi Guan+4 more|arXiv (Cornell University)|Jul 26, 2020

Recommender Systems and Techniques被引用 6

一句话总结

本篇系统性综述探讨了医疗推荐系统在功能方面的表现，指出尽管传统方法（如协同过滤）在应对医疗约束方面存在困难，但基于知识的方法展现出更大的潜力。研究强调了在准确度之外的评估挑战，并概述了医疗推荐系统的关键问题与未来发展方向。

ABSTRACT

Recommender systems have fulfilled an important role in everyday life. Recommendations such as news by Google, videos by Netflix, goods by e-commerce providers, etc. have heavily changed everyones lifestyle. Health domains contain similar decision-making problems such as what to eat, how to exercise, and what is the proper medicine for a patient. Recently, studies focused on recommender systems to solve health problems have attracted attention. In this paper, we review aspects of health recommender systems including interests, methods, evaluation, future challenges and trend issues. We find that 1) health recommender systems have their own health concern limitations that cause them to focus on less-risky recommendations such as diet recommendation; 2) traditional recommender methods such as content-based and collaborative filtering methods can hardly handle health constraints, but knowledge-based methods function more than ever; 3) evaluating a health recommendation is more complicated than evaluating a commercial one because multiple dimensions in addition to accuracy should be considered. Recommender systems can function well in the health domain after the solution of several key problems. Our work is a systematic review of health recommender system studies, we show current conditions and future directions. It is believed that this review will help domain researchers and promote health recommender systems to the next step.

研究动机与目标

• 考察医疗领域推荐系统当前的发展状况。
• 识别将传统推荐系统应用于医疗情境时的方法论局限。
• 分析超越标准准确度指标的医疗推荐评估所面临的特定挑战。
• 探讨基于知识的方法在应对医疗特定约束中的作用。
• 概述推动医疗推荐系统发展的未来研究方向与关键挑战。

提出的方法

• 对38项关于医疗推荐系统的文献进行了系统性文献回顾。
• 根据应用领域、推荐方法和评估方法对研究进行分类。
• 分析方法论趋势，重点关注基于内容的推荐、协同过滤和基于知识的推荐技术。
• 评估每种方法在处理医疗安全和临床指南等医疗约束方面的适用性。
• 识别多维评估标准，包括安全性、临床相关性及用户信任度。
• 将研究发现整合为未来医疗情境下系统设计与评估的框架。

实验结果

研究问题

• RQ1 传统推荐系统在医疗领域中的功能有效性在多大程度上得以实现？
• RQ2 现有医疗推荐系统的主要方法论局限是什么？
• RQ3 医疗推荐系统的评估实践与商业领域相比有何不同？
• RQ4 为何基于知识的方法在应对医疗特定约束方面更为有效？
• RQ5 医疗推荐系统的关键挑战与未来研究方向是什么？

主要发现

• 由于临床安全顾虑，医疗推荐系统主要局限于低风险推荐，如饮食计划。
• 传统方法（如协同过滤和基于内容的过滤）难以整合医疗约束和临床指南。
• 基于知识的推荐系统由于显式建模医疗规则和患者档案，在处理医疗特定约束方面表现出更优性能。
• 医疗推荐系统的评估需超越准确度，还需涵盖临床安全性、个性化和可信度等维度。
• 在系统设计中，临床指南与患者特定健康数据的整合仍是主要挑战。
• 未来系统必须解决伦理、安全性和可解释性问题，以实现临床采纳与信任。