提出了 DGMed，一种应用因果推断解决药物推荐系统中异质性问题的框架，通过分析历史记录中药物对特定疾病的量化治疗效果，揭示医学实体之间的潜在联系，利用分子层次的知识进行特征对齐，最终根据患者的当前健康状况自适应调整药物推荐概率并推荐药物组合，实验证明该方法在准确性、安全性和时间效率方面优于现有的基线模型。

Mar, 2024

设计了一个基于患者和药物特征的全面药物推荐系统，将数据从多个数据库中整合为一个患者和药物信息的数据集，其中使用了人工智能模型、自然语言处理方法和推荐系统算法进行数据建模，通过药物相互作用、患者条件和药物特征生成了基于矩阵分解的模型，构建了基于规则的知识库系统。

Dec, 2022

本篇论文介绍一种基于深度学习的药物推荐方案：Graph Augmented Memory Networks。该方案将关于药品之间相互影响的知识图谱纳入记忆模块，并使用纵向患者记录作为查询，从而为患者自定义药物组合提供安全且个性化的推荐。在真实的电子健康记录数据中，GAMENet 凭借其优异的效能表现和 3.60% 的 DDI 率降低值，在所有有效性度量方面均优于基线算法。

Sep, 2018

提出了一种名为 ALGNet 的新型模型，利用轻量级图卷积网络（LGCN）和增强型记忆网络（AMN）来增强药物推荐，研究结果表明，ALGNet 在推荐准确性和避免药物相互作用方面优于多种基准方法。

Dec, 2023

本文提出了一种集成领域知识和可观察临床表现的新型 DKINet 框架，用于药物推荐，并设计了一个基于知识的编码器和一个基于数据的编码器，以及一个明确的药物编码器，用于学习患者的纵向依赖关系，并在三个公开数据集上进行了广泛的实验。

May, 2023

该论文提出了一种名为 EDGE 的新型药物推荐方法，通过采用基于本体的药物表示和基于表型的病人表示来快速推荐新药，同时通过外部药物 - 疾病知识库来消除假阴性监督信号的影响，从而在原有的基础上提升推荐准确率，最终在两个实际数据集上的结果显示，此方法相较于现有方法在 ROC-AUC 得分方面有着 7.3% 的提高。

Oct, 2022

提出了一种基于 EHR 数据的注意力引导协同决策网络 (ACDNet) 进行药物推荐的方法，ACDNet 利用注意力机制和 Transformer 模型，全面、局部地建模患者的健康状况和药物记录，并利用药物记录与药物表示之间的相似性促进推荐过程；实验结果表明，ACDNet 在 Jaccard、PR-AUC 和 F1 分数等指标上优于最先进的模型，并且消融实验进一步验证了 ACDNet 每个模块的有效性，实证了其在基于 EHR 数据的药物推荐中的实用性。

Jul, 2023

DisMed 是一个基于因果推断的模型，通过深入研究患者状况并将其直接映射到相应的药物，提高了个性化推荐的准确性和安全性。

Apr, 2024

本文提出了一种名为 KnowAugNet 的多源医学知识增强药物预测网络，通过多级图对比学习框架充分捕获医疗代码之间的多样化关系，结合医学本体图和构建的医学先验关系图，输入顺序学习网络以捕捉医学代码的时间关系，从而达到预测患者药物的目的。

Apr, 2022

本研究提出了一种考虑药物之间相互作用，及其与患者病况影响的药物推荐新方法，其中包括在电子病历和领域知识上设计的药物交互图和两个变体的 Drug Package Recommendation (DPR) 框架，该框架采用了图神经网络 (GNN) 进行最终的推荐任务，实验结果表明该方法优于几个竞争基准方法，具有充分表现的药品生成任务的启发性研究支持。

Feb, 2021