AI与药学|DAPSNet：基于双重注意力机制和患者相似性的药物推荐模型_dual attention and patient similarity network for -CSDN博客

本文链接：https://blog.csdn.net/simoncool23/article/details/145183781

近年来，电子健康档案（EHR）的广泛应用推动了智能医疗的发展，其中药物推荐作为一项重要任务，可以辅助医生开具更有效、更安全的处方。然而，现有的药物推荐方法往往存在两个关键问题：一是没有充分利用病人完整的就诊历史信息，二是忽略了相似病人的用药信息可以作为重要的参考。

针对以上问题，一篇发表在 Bioinformatics 杂志上的论文（Wu, J. et al. Dual Attention and Patient Similarity Network for drug recommendation. Bioinformatics, 2023, 39(1), btad003）提出了一种名为 DAPSNet 的新型深度学习模型，该模型通过巧妙地融合病人的历史医疗信息和相似病人的疾病状态，实现了更精准、更安全的药物推荐。（关注公众号“”赛文AI药学“，获取更多AI与药学的内容）

论文的核心思想可以概括为： 模拟人类医生的诊疗过程，DAPSNet 首先从病人的历史就诊记录中提取诊断、手术和用药信息，构建全面的病人表征；然后，它会检索具有相似疾病状态的病人及其对应的用药信息，作为当前病人用药的参考；最后，综合以上信息，预测出最终的药物组合。

DAPSNet 的创新之处体现在以下几个方面：

双重注意力机制构建的病人表征模块： DAPSNet 不仅考虑了诊断和手术信息，还将历史用药信息纳入病人表征的构建中，更加全面地反映了病人的健康状况。同时，它采用了 代码级 和 就诊级 两种注意力机制，分别用于捕捉每次就诊中重要的医疗代码和整个病程中关键的就诊记录，从而更精准地刻画病人的疾病状态。
新颖的病人检索模块： DAPSNet 构建了一个 病人表征记忆库（PM），存储了所有病人的疾病状态表征和对应的用药组合。在预测时，它会计算当前病人的表征与 PM 中所有病人表征的相似度，并据此检索出相似病人的用药信息。为了更准确地捕捉疾病状态的相似性，DAPSNet 不仅考虑了当前病人的表征与其自身历史表征的相似度（个人历史相似度），还考虑了与其它病人历史表征的相似度（病人历史相似度）。
基于信息瓶颈原理的信息约束损失函数： 为了避免模型在学习过程中丢失关键信息，并增强模型的鲁棒性，DAPSNet 引入了一种 信息约束损失函数。该损失函数基于信息瓶颈原理，旨在最大化病人表征和药物标签之间的互信息，同时最小化病人表征和输入医疗代码之间的互信息，从而迫使模型学习到更精简、更有效的病人表征。
融合 EHR 和 DDI 图的药物表征学习： DAPSNet 利用图卷积网络（GCN）对 EHR 图（记录了药物共同出现的频率）和 DDI 图（记录了药物之间的相互作用）进行编码，从而学习到更全面的药物表征，有助于模型预测更安全、更有效的药物组合。

实验结果表明： DAPSNet 在 MIMIC-III 公开数据集上的表现优于现有的 SOTA 方法，在 Jaccard 相似度、F1 分数、PR-AUC 和 ROC-AUC 等指标上分别提升了 1.33%、1.20%、2.03% 和 0.59%。此外，DAPSNet 预测的药物组合具有较低的 DDI 发生率，确保了用药的安全性。

进一步的分析揭示：