[论文解读] PREMIER: Personalized REcommendation for Medical prescrIptions from Electronic Records

Suman Bhoi, Mong Li Lee+1 more|arXiv (Cornell University)|Aug 28, 2020

Machine Learning in Healthcare参考文献 34被引用 10

一句话总结

PREMIER 是一种基于注意力机制的两阶段药物推荐系统，利用纵向电子健康记录（EHR）数据、药物共现模式以及已知的药物相互作用，生成个性化且低风险的药物推荐，并提供可解释的依据。在 MIMIC-III 和一家专有门诊数据集上的实验表明，该模型在保证推荐准确率的同时，显著降低了药物-药物相互作用（DDI）风险，优于当前最先进的模型；案例研究进一步证实了其解释结果具有临床相关性。

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.

研究动机与目标

• 解决现有药物推荐系统忽略纵向患者病史和药物相互作用风险的局限性。
• 开发一种系统，基于患者诊断、手术操作和既往用药情况，提供可解释的推荐依据。
• 联合建模 EHR 就诊记录中的时间依赖关系与药物相互作用知识，以实现准确、安全且个性化的药物推荐。
• 通过在推荐过程中整合已知的药物-药物相互作用数据，最小化不良药物反应。
• 在真实世界的住院和门诊 EHR 数据集上评估推荐结果的临床相关性与准确性。

提出的方法

• 采用两阶段架构：第一阶段通过在患者就诊记录上应用双注意力机制，从诊断、手术操作和既往用药中生成个性化的查询向量。
• 第二阶段采用图注意力网络（GAT）从 EHR 数据和已知相互作用的知识图谱中检索相关的药物相互作用与共现信息。
• 注意力权重用于量化每个输入来源（诊断、手术操作、既往用药）对每种推荐药物的贡献程度，从而支持解释生成。
• 模型通过端到端训练，采用多任务损失函数联合优化预测准确率与 DDI 最小化目标，超参数在验证数据上进行调优。
• 通过加权检索机制整合药物相互作用信息，根据患者的临床特征优先选择相关相互作用。
• 针对无手术操作代码的数据集，通过移除依赖手术操作的组件对系统进行适配，在保持门诊数据性能的同时实现良好表现。

实验结果

研究问题

• RQ1 基于注意力机制的两阶段模型是否能通过利用纵向 EHR 数据与药物相互作用知识，提升药物推荐的准确性？
• RQ2 注意力机制在多大程度上能够识别并量化驱动每项药物推荐的临床因素（如诊断、手术操作、既往用药）？
• RQ3 PREMIER 在平衡推荐准确率与药物-药物相互作用（DDI）减少方面，与当前最先进的系统相比表现如何？
• RQ4 PREMIER 生成的解释是否具有临床合理性，并与标准医疗实践保持一致？
• RQ5 PREMIER 是否能在不同 EHR 数据分布下（如住院与门诊场景）实现良好泛化？

主要发现

• 在 MIMIC-III 数据集上，PREMIER 在所有对比模型中实现了最高的推荐准确率和最低的 DDI 得分，优于 LEAP、DMNC 和 GameNet。
• 在专有的门诊数据集上，PREMIER 在准确率和 DScore 上均保持领先，每位患者的推荐药物数量与真实值高度接近，而 LEAP 存在推荐不足，GameNet 则存在推荐过度。
• 注意力机制成功识别出关键临床因素：对于冠状动脉旁路移植术后患者，手术操作和心房颤动是药物推荐的主要驱动因素，与临床指南一致。
• 在一名因气管疾病需接受机械通气的患者案例中，PREMIER 正确地基于手术操作解释了肌肉松弛剂和镇静剂的推荐，符合临床实践。
• 通过案例研究验证，模型的解释与既定的医学推理逻辑一致，增强了临床信任度与可接受性。
• PREMIER 在具有不同特征的数据集（如诊断频率较低、无手术操作代码）中表现出鲁棒性，证实了其强大的泛化能力。