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

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

提出了一种基于图嵌入学习技术的新型框架 ——Safe Medicine Recommendation（SMR），通过构建一个包含电子病历和医学知识图谱的异质图，并将疾病、药物、患者及其相互关系映射到共享的低维空间中，通过链接预测过程来进行药物推荐，并考虑患者的诊断和不良反应。实验证明 SMR 是全球首个学习患者 - 疾病 - 药物图嵌入的医学推荐系统。

Oct, 2017

本研究介绍了一种新的基于异构信息网络 HeteroMed 的疾病诊断建模方法，该方法可以更好地在电子医疗记录中处理缺失值和异构数据，并通过关键诊断路径的捕获和联合嵌入来实现更准确的疾病诊断，其实验结果表明，该方法比现有方法在明确的诊断编码和一般疾病群的预测方面表现更好，并且在通过案例研究定性考察临床事件的相似性方面也优于基准模型。

Apr, 2018

通过结合医学知识图谱和新颖的图模型 Dr.Knows，我们提出一种创新的方法来提高大型语言模型在自动诊断生成领域的能力，从而消除预训练的需要，提高自动诊断生成的准确性。

Aug, 2023

整合知识图谱和大型语言模型的 medIKAL 框架能够通过对实体的加权重要性和路径重新排序等策略提升电子病历的诊断能力，为临床推理和诊断带来了新的突破。

Jun, 2024

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

本研究提出 OntoMedRec，基于医学本体的逻辑预训练和模型无关的药物推荐，解决了数据稀疏性问题，通过对基准数据集进行全面实验评估，结果表明 OntoMedRec 的整合可以提高整个电子病历数据集和少样本药物入院情况下各种模型的性能。

Jan, 2024

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

提出了一种名为 GraphCare 的基于开放框架的方法，其结合了外部知识图和医疗健康记录，旨在提高医疗预测的精度。使用大型语言模型和外部生物医学知识图生成个性化图知识，并使用提出的双重注视增强的 BAT 图神经网络用于医疗保健预测。实验结果表明，GraphCare 方法在几个重要的医疗预测任务中的性能都优于基线模型，尤其是在数据稀缺的情况下表现优异。

May, 2023