[论文解读] Safe Medicine Recommendation via Medical Knowledge Graph Embedding

Meng Wang, Liu Mengyue+4 more|arXiv (Cornell University)|Oct 16, 2017

Machine Learning in Healthcare参考文献 23被引用 48

一句话总结

本文提出了一种名为安全药物推荐（SMR）的新框架，该框架将电子病历（MIMIC-III）、ICD-9疾病本体和DrugBank整合到异质知识图中，联合嵌入患者、疾病和药物。通过将药物推荐建模为统一嵌入空间中的链接预测任务，SMR通过引入药物-药物相互作用和不良反应，提升了推荐的安全性，在真实世界数据上实现了最先进性能。

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.

研究动机与目标

• 解决现有药物推荐系统仅依赖电子病历（EMRs）所带来的局限性，这些系统通常缺乏药物-药物相互作用等全面的医学事实。
• 克服直接使用不完整医学知识图谱时在推荐系统中引发的鲁棒性问题。
• 开发一个统一框架，在单一异质图中联合建模患者、疾病和药物，以提升推荐的准确性和安全性。
• 将不良药物反应和药物-药物相互作用整合到推荐过程中，以增强临床安全性。
• 展示首个端到端框架，通过患者-疾病-药物图嵌入学习，专门用于药物推荐。

提出的方法

• 通过整合MIMIC-III电子病历、ICD-9疾病本体和DrugBank，构建高质量的异质图，形成统一的患者-疾病-药物知识图。
• 应用图嵌入学习技术，将患者、疾病、药物及其关系联合表示在共享的低维向量空间中。
• 将药物推荐建模为患者与药物之间的链接预测任务，基于其诊断疾病和已知不良反应进行条件预测。
• 利用学习到的嵌入预测安全且相关的药物处方，同时考虑潜在的药物相互作用。
• 采用联合优化策略，以保留异质图中各类实体之间的结构与语义关系。
• 通过患者-诊断、诊断-药物和药物-不良反应链接预测目标的组合，端到端训练模型。

实验结果

研究问题

• RQ1 将电子病历与外部医学知识图谱结合，能否提升药物推荐系统的安全性和准确性？
• RQ2 在异质图中联合嵌入患者、疾病和药物，与传统的仅依赖电子病历的方法相比，能在多大程度上提升推荐性能？
• RQ3 所提出的框架在整合不良药物反应和药物-药物相互作用后，预测安全药物处方的效率如何？
• RQ4 使用统一的嵌入空间表示患者-疾病-药物关系，是否能提升在真实临床环境中的泛化能力和鲁棒性？

主要发现

• 所提出的SMR框架通过结合电子病历和结构化医学知识图谱，在药物推荐任务中实现了最先进性能。
• 将DrugBank和ICD-9整合到异质图中，显著提升了模型检测并避免不安全药物组合的能力。
• 患者、疾病和药物的联合嵌入相比仅依赖电子病历数据的基线方法，能生成更准确且更具临床相关性的推荐结果。
• 基于链接预测的推荐机制有效捕捉了复杂关系，包括不良药物反应，从而提升了预测处方的安全性。
• 在MIMIC-III数据集上的大量实验表明，SMR在多样化临床场景中展现出强大的鲁棒性和泛化能力。
• 该框架是首个通过端到端嵌入学习显式建模患者-疾病-药物图以实现药物推荐的框架，为该领域设立了新基准。