每天读一篇文献13--DGCL: Distance-wise and Graph Contrastive Learning for medicationrecommendation

题目：

DGCL: Distance-wise and Graph Contrastive Learning for medication recommendation

摘要：

在本文中，我们提出了DGCL模型，旨在通过图神经网络生成有效且安全的药物组合。该模型提取和编码了丰富的药物相互作用信息，以减少药物间的相互作用。然后，我们设计了一个两阶段的神经网络用于临床记录学习，以提供病例信息。此外，DGCL通过图表对比学习减轻推荐药物之间的相互作用。最后，在真实的EHR数据集上进行的大量实验表明，DGCL在几乎所有指标上都优于现有的网络，并实现了最低的DDI率和最高的推荐药物数量。未来研究的一个潜在有价值的途径是通过外部知识预测潜在的药物相互作用，并根据预测推荐具有更高安全性的药物组合。

问题：

用药建议近年来备受关注。早期药物推荐模型是基于实例的，并使用当前的医院访问情况。然而，这些方法也存在一些缺陷：

对于有慢性疾病或详细既往病史的患者，基于实例的治疗方法不能充分考虑患者的病情进展。需要利用患者纵向病史的时间依赖性来提供更个性化的建议。但是，这些方法有以下限制:

• 病史联系：很难调查某些病例的重要性，因为过去的病例和当前的访问之间的相关性无法区分。现有的推荐系统使用单一的住院记录来预测药物列表。这些系统不能全面地模拟病人的用药历史，以提供一个全面的治疗计划。
• 不可控的DDI模型：患者联合用药中潜在的相互作用可能导致未知的药物相互作用和额外的医疗费用。通过分散用药或间隔用药来避免相互作用是一个常见的管理理念。然而，外部医学知识可以在推荐阶段规避相互作用，并给出更安全的药物组合。因此，获得准确和全面的ddi知识，特别是在用药建议期间，对患者至关重要。

用药之间存在着丰富的依赖性，合理的用药推荐系统应考虑患者过去和现在的就诊情况，并借鉴其在EHR中的用药记录。在用药方案中应考虑患者的用药历史和用药中潜在的相互作用。

针对上述问题，我们设计了一种新型的用药推荐模型DGCL，它可以从患者过去的临床记录中学习最相关的治疗记录，以辅助当前的用药推荐任务。此外，DGCL巧妙地设计了一个图对比学习框架，利用EHRs学习典型的DDI知识图，显著抑制推荐药物中的药物相互作用，本研究的实验也证明了这一点。

挑战：

现有的药物推荐算法可分为三类：

• 基于规则的推荐：基于规则的方法依靠法规来获取医学专家的知识。通常，使用固定规则的模型不太具有通用性。此外，很难将传统规则添加到一个完善的知识库中。
• 基于实例的推荐：在基于实例的推荐方法中，利用了标签预测任务的想法，同时考虑患者信息和ddi。使用人口统计学、诊断性和程序性信息，并用线性方法融合它们。这些方法大多集中在单个患者的实例上，没有充分地建模过去的信息。
• 纵向推荐：利用临床病史中的时间依赖性，这种推荐系统旨在利用患者过去就诊之间的时间依赖性。然而，这种方法没有考虑药物之间的关系。

尽管这些方法最初取得了成功，但它们不能有效地管理发展指标。现有模型在推荐药物时要么没有充分利用DDI知识，要么缺乏DDI约束。本研究提出利用外部DDI知识生成知识图，并设计一个图形对比学习框架来约束推荐药物的DDI率，从而有效控制潜在的药物相互作用。该模型既保留了药物的全局邻域信息，又动态区分了药物特异性的相互作用邻域，以充分约束推荐药物组合的药物相互作用。

研究方法：

DGCL模型包括四个部分:

• 患者代表模块，从EHR数据中编码患者病例
• 临床记录学习模块，设计为两阶段培训。在临床记录学习模块中，首先设计病史关注，以确定有关患者的全局信息。然后，我们使用一个距离神经网络约束当前用药与患者知识之间的概率分布，并过滤出类似的用药记录，以辅助治疗
• 图形对比学习框架，将患者用药信息和外部DDIs知识分别编码成图结构，对特定药物进行图采样，构建待学习药物的正、负样本进行对比学习，以控制推荐药物的DDIs率
• 训练和推理，药物推荐必须在推荐准确性和安全性之间找到最佳平衡。

消融研究：

我们开发了五种不同版本的DGCL来研究模型中每个组分的贡献，我们将这五种不同的DGCL模型与MIMIC-III上的DGCL模型进行了实验比较。

• 无图对比学习(No- gcl): DGCL采用图卷积网络编码的EHR和DDI信息进行对比学习。No-GCL并不执行对比学习，而是简单地将两个信息拼接在一起。
• 无图距离神经网络(No- gdn): DGCL通过最小化这两个组件的KL发散来纠正历史和当前案例的分布。No-GDN并不计算这些病例之间的距离，而是使用当前患者的诊断和手术记录来提出用药建议。
• No-KL损失:为了进一步研究图距离模块的贡献，我们保留了患者的病史信息，并消除了不同临床记录之间的距离损失。
• 无DDI知识(No-DDI): No-DDI不使用药物相互作用矩阵信息，只是对电子病历信息进行编码。
• 无历史记忆模块(No- hm):在向患者推荐药物时，No- hm不考虑患者的医院历史。

总结与讨论：

当DDI类型增加时，DGCL是唯一能控制DDI减少的模型，具有较强的鲁棒性。

本研究平衡了药物推荐的准确性和DDI率，实现了更低的药物相互作用和更好的推荐。

然而，药物相互作用的区分还不够详细，未来的工作应区分有协同作用的药物相互作用、有抑制作用的药物相互作用、有不良反应的药物相互作用，以协助更合理的推荐任务。