药物推荐的关系发现
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
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
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
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
该论文提出了一个基于药物相互作用的决策支持系统,可提供更安全、更有效的药物处理方案,包括药物相互作用模块,医学决策模块和医疗支持模块,实验证明此系统可用于慢性疾病的临床诊断。
Mar, 2023
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
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