点击蓝字
关注我们
AI TIME欢迎每一位AI爱好者的加入!
孙宏达:
中国人民大学高瓴人工智能学院直博三年级,研究兴趣包括药物发现、机器学习、自然语言处理等。
报告简介
人工智能赋能的药物推荐已成为医疗保健研究领域的一项重要任务,它为帮助人类医生提供更准确、更高效的药物处方提供了额外的视角。通常,药物推荐是基于病人在电子健康记录中的诊断结果做出决策。我们假设在药物推荐中需要解决三个关键因素:1)消除由于可观察信息的限制导致的推荐偏差;2)更好地利用历史健康状况;3)协调多种药物以控制安全性。为此,我们提出了 DrugRec,一种基于因果推断的药物推荐模型。该因果图模型可以通过前门调整来识别和消除推荐偏差。同时,我们在因果图中对多轮就诊进行建模,以表征病人的历史健康状况。最后,我们将药物-药物相互作用 (DDI) 建模为可满足性 (SAT) 问题,解决该 SAT 问题有助于更好地协调推荐。实验结果表明,我们提出的模型在广泛使用的电子病历数据集 MIMIC-III 和 MIMIC-IV 上实现了最优的性能,证明了我们方法的有效性和安全性。
任务定义
药物推荐和一般商品推荐具有很强的相似性,比如 user-item 与 patient-drug 的对应关系,但同时也具有重要区别。
药物推断的整体框架是根据病人当前健康状态以及历史就诊信息来给病人当前就诊开处方,其中涉及到的关键实体有症状 (symptom, S),诊断疾病 (diagnosis, D),手术 (procedure, P) 和药物 (medication, M)。
从病人的第二次就诊开始,我们就需要考虑病人先前就诊中的健康状态以及开药结果等历史信息。我们跟踪病人 j 的第 t 次就诊记录,将其用以下形式表示:
总结起来,忽略特定病人的上标,我们的输入可分为以下三部分。
1) 病人的当前健康状态:
2) 病人的历史就诊信息:
3) 推荐药物组合的安全性信息。如药物 u 和药物 v 不能同时服用,我们用 drug-drug interactions (DDI) 的关系来表示:
在推荐安全性这一关键点上,药物推荐和商品推荐具有明显差异。我们在药物推荐过程中需要控制DDI的出现比例,即使得推荐药物之间的副作用越少越好。药物推荐模型的输出是针对各种药物的推荐概率。
挑战与动机
药物推荐当前所面临的几项挑战