[论文解读] Drug Recommendation toward Safe Polypharmacy

Wen-Hao Chiang, Li Shen+2 more|arXiv (Cornell University)|Mar 8, 2018

Computational Drug Discovery Methods被引用 7

一句话总结

本文提出了一种联合稀疏线性推荐与逻辑回归模型（SlimLogR），以应对多药联用中的安全问题，基于不良药物反应（ADR）风险推荐应避免或应批准的药物。该模型联合学习药物共处处方模式与ADR概率，在真实世界数据集上表现出色，ADR预测准确率高，且能有效推荐应避免/安全的药物。

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.

研究动机与目标

• 正式定义并解决多药联用中应避免和安全药物推荐问题，即同时服用多种药物的情境。
• 应对高阶药物-药物相互作用（DDIs）导致的不良药物反应（ADRs）这一重大公共卫生问题。
• 开发一种数据驱动的计算框架，支持基于证据、主动且以患者为中心的药物处方决策。
• 构建真实世界的DDI与ADR数据集及评估协议，以实现药物推荐系统可复现的基准测试。
• 在传统电子商务推荐模型基础上进行改进，整合ADR标签预测与共处处方协同检测功能。

提出的方法

• 提出一种联合模型SlimLogR，结合稀疏线性推荐组件与逻辑回归组件，用于ADR标签预测。
• 推荐组件从引发ADR与不引发ADR的处方中学习共处处方模式，以推荐相关药物。
• ADR标签预测组件根据预测的ADR概率对推荐结果进行重排序，以优先考虑高风险或安全药物。
• 两个组件联合训练，以确保推荐结果与预期的ADR结果保持一致。
• 采用一种新颖的评估协议，利用真实电子病历数据评估推荐质量与ADR预测性能。
• 使用从真实处方中挖掘的数据集识别高阶DDIs及其相关ADR，并在论文被接受后公开发布。

实验结果

研究问题

• RQ1 联合模型能否有效学习共处处方模式并预测ADR风险，从而在多药联用中推荐应避免的药物？
• RQ2 与基线方法相比，SlimLogR模型在应避免和安全药物推荐任务中的表现如何？
• RQ3 该模型在多大程度上能从未知处方数据中检测到高阶DDIs及其相关ADR？
• RQ4 当处方中不包含已知的ADR诱导药物时，模型是否仍能推荐非ADR诱导药物？
• RQ5 与ADR组相比，与肌病相关的药物（如辛伐他汀、阿托伐他汀）在共处处方模式上存在何种差异？

主要发现

• SlimLogR模型在应避免和安全药物推荐任务中显著优于基线方法，在真实数据集上展现出更优的预测准确性。
• 该模型成功识别出已知的ADR诱导药物，如辛伐他汀和阿托伐他汀，这些药物在SIDER数据库中被报告在28.72%的ADR诱导处方中引发肌病。
• 在引发ADR的处方中，排名靠前的共处药物对（如沙美特罗-氟替卡松、洛匹那韦-利托那韦）与临床实际使用一致，表明模型具有可靠性。
• 即使处方中不包含任何已知的ADR诱导药物，模型仍能推荐应避免的药物，显示出强大的模式学习与泛化能力。
• 学习到的权重矩阵W+和W−反映了临床相关的药物组合，其中W−具有高密度（0.8%），并捕捉到HIV治疗中常见的DDI对，如替诺福韦-恩曲他滨。
• 评估协议与数据集已公开发布，支持可复现性，并为未来安全多药联用研究提供基准支持。