[论文解读] SMR: Medical Knowledge Graph Embedding for Safe Medicine Recommendation

Fang Gong, Meng Wang+3 more|arXiv (Cornell University)|Oct 16, 2017

Machine Learning in Healthcare参考文献 19被引用 15

一句话总结

本论文提出SMR，一种新颖的框架，将电子病历（MIMIC-III）与医学知识图谱（ICD-9和DrugBank）相结合，为疾病、药物和患者生成联合嵌入，通过链接预测实现安全的药物推荐，同时考虑不良药物相互作用。SMR在覆盖率和安全性方面优于基线模型，在真实患者病例中避免了有害的药物-药物相互作用。

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，这些系统通常缺乏完整的医学事实，如药物-药物相互作用。
• 克服DrugBank和ICD-9等医学知识图谱中的数据不完整问题，这些问题会妨碍在复杂多病患者中实现稳健的推荐。
• 通过将疾病、药物、患者及临床关系联合嵌入到统一的低维空间中，提升推荐的鲁棒性与安全性。
• 实现实时、可扩展且安全的药物推荐，同时考虑不良药物反应和药物-药物相互作用。

提出的方法

• 通过融合MIMIC-III电子病历、ICD-9疾病本体和DrugBank药物信息，构建高质量的异质知识图谱。
• 应用联合知识图谱嵌入技术，将疾病、药物、患者及其临床关系映射到共享的低维向量空间。
• 将药物推荐问题形式化为在已诊断疾病和已知不良药物反应条件下，患者与药物之间的链接预测任务。
• 利用图神经网络技术学习上下文表示，以编码患者病史以及来自外部知识库的医学事实。
• 在推荐流程中集成临床约束，如已知的不良药物相互作用（DDIs），以增强安全性。
• 采用多任务学习目标，联合优化药物预测的准确性与DDI避免。

实验结果

研究问题

• RQ1 将电子病历与外部医学知识图谱相结合，是否能提升药物推荐系统的准确性和安全性？
• RQ2 对患者、疾病和药物进行联合嵌入，在捕捉复杂临床关系以实现个性化治疗方面有多有效？
• RQ3 与基线系统相比，所提出的框架在多大程度上降低了不良药物相互作用的风险？
• RQ4 该模型能否泛化到具有多种共病和复杂用药史的患者？
• RQ5 在新药物或新病症未出现在训练数据中的冷启动场景下，该框架表现如何？

主要发现

• SMR在一名患有败血症、呼吸衰竭和高血压的复杂患者病例中实现了100%的推荐覆盖率，优于基于规则和频率的基线模型。
• 在另一名患有2型糖尿病、类风湿性关节炎和高血压的患者病例中，SMR推荐了安全且临床合适的治疗方案，未出现不良药物相互作用。
• K-最常见基线模型推荐了一种有害的药物组合（Tolbutamide与Phenylbutazone），而SMR由于其具备DDI意识的设计成功避免了该组合。
• 在真实世界MIMIC-III数据上，SMR在多个评估指标中均展现出优于基线的精确度和安全性表现。
• 该框架有效利用了外部医学知识，弥补了电子病历中缺失的临床事实，尤其在罕见或复杂的药物相互作用方面表现突出。
• 实验结果证实，与使用孤立数据源的模型相比，对患者、疾病和药物进行联合嵌入显著提升了推荐质量。