基于因果推断的双粒度药物推荐

Mar, 2024

Dual-Granularity Medication Recommendation Based on Causal Inference

Shunpan Liang, Xiang Li, Xiang Li, Chen Li, Yu Lei...

TL;DR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。

Abstract

As medical demands grow and machine learning technology advances, AI-based diagnostic and treatment systems are garnering increasing attention. Medication recommendation aims to integrate patients' long-term health records with medical knowledge, recommending accuracy and safe medication combinations for specific conditions. However, most existing researches

ai-based diagnostic medication recommendation dgmed causal inference heterogeneity issues

发现论文，激发创造

用于药物推荐的条件生成网络

本文介绍了一种基于 COGNet 的自动化药物推荐模型，通过引入新的复制或预测机制，有效减少药物推荐错误率，并在实验中验证了该模型的有效性。

Feb, 2022

药物推荐的关系发现

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

RECOMMED: 一款全面的药物推荐系统

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

基于领域知识的深度学习药物推荐

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

基于交互感知图归纳的药品包装推荐

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

基于知识的新药推荐

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

GAMENet: 增强图存储网络用于药物组合推荐

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

DialMed: 基于对话的药物推荐数据集

该研究提出一种基于医疗对话的药物推荐方法，使用自然语言处理技术结合病历数据，构建了一个高质量的医疗对话数据集 DIALMED, 并提出了 DDN 模型和 QA 对话图机制，有效考虑了各种因素的影响，实现了医患对话中对药物的智能推荐。

Feb, 2022

KindMed: 知识驱动的医药开方网络用于药物推荐

该研究提出了一种基于知识的医药处方网络 (KindMed) 框架，利用外部医学知识源将电子健康记录 (EHR) 丰富为医学知识图谱 (KG)，借助关系感知图表示学习和分层顺序学习的方法，探索个性化推荐。实验证明，该方法在增强现实世界的 EHR 数据集上相较于图驱动的基准方法取得了领先的性能。

Oct, 2023

不放过任何一个患者：提升罕见疾病患者的药物推荐

提出了一种名为 Robust and Accurate REcommendations for Medication (RAREMed) 的新型模型，通过使用预训练 - 微调的学习范式和统一的输入序列方法来提高罕见疾病的准确性，同时引入了两个自监督预训练任务：序列匹配预测（SMP）和自重构（SR），以学习专门的药物需求和临床代码之间的相互关系，实验结果表明 RAREMed 为罕见和常见疾病患者提供准确的药物组合，从而减轻了药物推荐系统中的不公平性。

Mar, 2024