基于异构医学实体协同与选择性建模的高血压用药推荐:新模型的开发与评估研究
本研究开发了CSRec模型,用于高血压用药推荐。模型通过构建异构与同质图捕捉医学实体间协同关系,并利用双向时序选择机制建模疾病随时间的变化。在MIMIC-III v1.4和MIMIC-IV v2.2真实数据集上,CSRec的Jaccard相似系数分别为58.01%和55.82%,PRAUC分别为83.56%和80.69%,F1分数分别为68.95%和64.83%,均优于基线模型。消融实验显示各模块均不可或缺,移除药物共现与相互作用信息(WO_MM)导致DDI风险率显著下降。作者认为该模型有望辅助高血压管理的临床决策。
要点
- CSRec模型在MIMIC-III v1.4上Jaccard相似系数为58.01%,在MIMIC-IV v2.2上为55.82%,优于所比较的基线模型。
- 模型在MIMIC-III上PRAUC为83.56%、F1分数为68.95%,在MIMIC-IV上PRAUC为80.69%、F1分数为64.83%。
- 消融实验显示移除药物共现与相互作用信息(WO_MM)导致DDI风险率显著下降,表明该信息对用药安全至关重要。
- 最佳注意力头数为3,此时模型性能最优;药物纳入频率阈值在500至3000间变动时模型性能保持稳定,最佳阈值为2000。
- 模型不仅预测ATC04级药物类别,还细化到ATC05级具体药物类型(如C02AA利血平类药物)。
适用人群与场景
- 从MIMIC-III v1.4和MIMIC-IV v2.2中提取的ICU高血压患者,纳入至少完成2次就诊的患者,排除出现频率<2000次的药物。
- 诊断与操作信息采用ICD-9编码系统,高血压相关数据依据ICD-9高血压编码在临床专家指导下提取。
诊断标准与关键阈值
- 药物推荐阈值:模型输出推荐概率,超过阈值的药物作为推荐结果(原文未写明具体阈值数值)。
- 药物纳入频率阈值:最佳性能阈值为2000次出现,敏感性分析范围为500至3000次,对应药物数量从26种(≥500)到9种(≥3000)。
- 注意力头数:最佳设置为3个头(head=3),后续实验均采用此配置。
研究设计与关键结果
- 研究类型为模型开发与评估研究,使用MIMIC-III v1.4和MIMIC-IV v2.2两个公开数据集,患者为ICU高血压患者,干预为CSRec模型,对照为11种基线模型(LR、ECC、RETAIN、LEAP、DMNC、GAMENet、MICRON、SafeDrug、COGNet、MoleRec、CausalMed)。
- 主要终点:在MIMIC-III上CSRec的Jaccard相似系数58.01%、PRAUC 83.56%、F1分数68.95%;在MIMIC-IV上Jaccard 55.82%、PRAUC 80.69%、F1分数64.83%,均优于基线模型。
- DDI指标:CSRec未达到最高分,但排名第二;LEAP模型DDI分数最低,因其仅考虑患者当前健康状况导致推荐药物较少。
- 消融实验(MIMIC-IV):移除协同模块(WO_C)、选择模块(WO_S)或将多头GAT替换为GCN(GAT_GCN)均导致性能下降;移除诊断-药物(WO_DM)、操作-药物(WO_PM)、诊断-操作(WO_DP)交互信息均降低性能;移除药物共现与相互作用信息(WO_MM)导致DDI风险率显著下降。
- 参数敏感性:注意力头数从1到5变化对性能影响极小;药物频率阈值在500-3000间变动时Jaccard、PRAUC、F1、DDI四项指标保持稳定,2000阈值时性能最佳。
证据类型、等级与局限
- 证据类型:模型开发与评估研究(基于真实世界公开数据集的实验评估),非临床RCT或指南。
- 局限:原文未报告局限性。
对床旁实践的改变
- 作者认为CSRec模型在高血压用药推荐方面具有优越效能,可能有助于增强高血压管理中的临床决策。
- 模型可同时预测ATC04级药物类别和ATC05级具体药物类型(如C02A、C02AA),较既往仅关注ATC04级的研究更精细。
- 模型纳入药物共现与药物-药物相互作用(DDI)信息,消融实验显示移除该信息后DDI风险率显著下降,提示该信息对保障高血压治疗安全有效具有重要作用。
- 原文未据此给出推荐。
提炼说明
- 原文未涉及「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译25 节 · 点击展开
引言
背景
高血压是一种普遍存在的慢性疾病,也是心血管死亡的重要因素,因此及时进行血压管理的药物干预至关重要[1]。随着人口老龄化趋势加剧,高血压患者数量不断增加,给医疗保健系统带来了沉重负担[2]。因此,已开发出高血压自动化药物推荐系统。
既往工作与局限性
早期的高血压药物推荐方法主要基于规则。例如,Wu和Xie[3]开发了高血压本体和推理规则,以向患者推荐合适的降压药物。然而,这些方法仅依赖预定义规则和有限的病例数据,忽略了其他关键的患者信息,导致推荐缺乏灵活性和个性化。近年来,已有许多基于电子健康记录(EHR)推荐高血压药物的神经网络模型被提出[45]。这些模型显示出改善的结果,并有效解决了早期算法中固有的许多局限性。
然而,EHR数据的复杂性持续给药物推荐任务带来重大挑战,特别是在2个关键领域:异构医学实体之间的协同不足以及对患者病情时间动态的忽视。
异构医学实体之间的协同不足
EHR数据包含异构但相互关联的医学实体——如诊断、操作和药物——它们共同影响治疗结果。例如,诊断指示患者的健康状况,进而为操作和药物决策提供信息。对此类跨实体关系进行有效建模对于生成准确且个性化的治疗推荐至关重要。
现有方法如多级医学嵌入(MiME)[6]和图卷积Transformer(GCT)[7]尝试使用同质图结构对医学概念及其因果关进行建模。然而,这些结构未能捕捉EHR实体之间固有的异构性。用于医学诊断的异构信息网络(HeteroMed)[8]通过元路径引入语义关联,但未对实体间的动态交互进行建模。CausalMed[9]探索了治疗元素之间的因果推断,但忽略了药物与操作之间的增强作用。基于EHR的双向编码器表示的图Transformer(GT-BEHRT)[10]将图Transformer与时间建模相结合,但未纳入实体间的上下文协同。
此外,当前模型在疗效与安全性之间未能实现充分平衡。例如,图增强记忆网络(GAMENet)[11] 使用药物-药物相互作用(DDI)图来减少不良反应,但未考虑诊断和操作输入。图增强双向编码器表示来自变换器(G-BERT)[12] 扩展到多实体建模,却忽略了DDI感知的安全性指标。竞争性神经网络(CompNet)[13] 在大规模数据集上面临计算效率和模型稳定性问题。近期工作如Yang等[14](使用药物分子结构图)和Li等[15](使用对比学习)增强了表示能力,但它们仍缺乏统一机制来同时建模“多实体协同”和“安全性约束”。
忽视患者病情的时间动态性
作为慢性病,高血压随时间演变。在临床实践中,治疗策略常根据当前和历史就诊数据进行调整。因此,捕捉患者病情的时间动态性对于有效的药物推荐至关重要。
若干研究已涉及序列建模。Yang等[16]使用双医疗序列表示用药史,但未考虑序列间关系。Liu等[17]开发了3种长短期记忆(LSTM)变体来建模医疗序列间的相关性,但未能考虑当前临床状态的即时影响。尽管反向时间注意力模型(RETAIN)[18]等模型使用注意力机制来优先考虑相关历史就诊,且An等[19]引入了分层时间建模,但这些方法主要关注一般时间行为,而未考虑高血压特异性模式,如长期管理或分阶段治疗调整。
先进设计已尝试改进建模能力。Le等[20]使用记忆增强神经网络表示长期依赖关系,而Yang等[21]采用残差机制捕捉患者状态转移。Wu等[22]引入具有“复制-生成”机制的变换器来决定是否重用先前处方。然而,这些方法均未完全解决高血压药物推荐所需的特定任务时间动态性。
目标与贡献
为解决上述局限性,本研究提出了CSRec,一种新颖的高血压药物推荐框架,将异构医疗实体的协同交互与时间进展的选择性建模相结合。CSRec旨在通过基于EHR数据的异质和同质图构建来捕捉跨实体协同作用,使用时间选择性模块对当前与历史就诊进行加权来建模时间感知的患者表示,并通过在推荐过程中纳入DDI信息来增强安全性。
本文的主要贡献总结如下段落。
我们提出了一种新颖的用药推荐模型,命名为CSRec,专门针对高血压治疗设计。CSRec有效整合了多种医学实体间的协同交互作用和选择性特征。通过构建源自电子健康记录的异质医学实体图,我们的模型利用图注意力机制在医学实体间生成增强的协同嵌入。此外,引入了时间选择机制来模拟高血压进展,从而生成全面的患者表征以促进准确的用药推荐。
为更好地捕捉医学实体间的协同关系,我们创新性地修改了传统的图注意力网络(GAT),使其更关注邻近节点信息,从而获得主节点更聚合的表征。
在公开数据集重症监护医学信息库(MIMIC)-III [23]和MIMIC-IV [24]上进行了大量实验,以验证我们所提方法的优越性和有效性。
方法
概述
在本节中,我们全面描述CSRec模型的结构。如图1所示,我们的模型包含3个核心模块用于端到端高血压用药推荐:(1)异质协同模块,通过异质和同质图网络,聚合医学实体间的协作模式来学习实体级表征,然后将其传递给时间选择模块;(2)时间选择模块,使用双向选择机制处理这些实体级表征,计算当前就诊与既往就诊之间的相关性系数,生成就诊级实体表征并传递给交互预测模块;(3)交互预测模块将这些就诊级实体表征拼接以丰富实体信息,形成患者表征。该表征被转换为用药推荐概率,超过阈值的药物作为结果输出。
问题形式化
电子健康记录
电子健康记录(EHRs)涵盖从患者处收集的各种就诊信息。对于特定患者,EHRs可以结构化为包含多条临床就诊记录的序列,表示为 ,其中 表示第 次就诊, 表示该患者的总就诊次数。具体而言,每次临床就诊可表示为 ,其中 、 和 分别表示对应于诊断、操作和药物的多热编码向量。此处,符号 表示每种医学实体类型中不同类别的总数。
异质医学实体
本文将不同的药物建模为药物实体。电子健康记录(EHR)中记录的每种药物对应一个唯一的药物实体,由特定标识符表示,记为 ,每个实体通过相同维度的嵌入在模型中独立嵌入。同样,诊断和操作分别被归类为诊断实体和操作实体。这3类实体统称为异构医疗实体。
高血压药物推荐
基于患者当前的诊断信息 、操作数据 、历史就诊序列 以及异构医疗实体图 ,模型向患者推荐合适的降压药物。
异构协同模块
针对特定患者,我们首先构建了药物同质图,该图明确设计用于表征药物之间的关系,并为后续的跨实体建模提供基础。该图包含2个组成部分,二者均以药物作为唯一节点类型。
其中一个组成部分是药物协同图 ,用于捕捉临床实践中的联合用药模式。具体而言, 表示患者既往就诊中所有处方药物的集合, 表示表征药物之间协同交互的邻接矩阵。该邻接矩阵中的每个条目表示相应药物节点之间的初始协同权重。生成该矩阵的详细过程如图2所示。初始时, 设为零矩阵。若药物 和药物 在特定就诊中同时出现,则 ;若药物 和 在多次就诊中同时出现,则 中的对应值递增,值越高表示药物之间的协同关系越强。
图中的每个药物节点对应其初始嵌入向量,表示为:
具体而言, 指与药物实体相关的嵌入矩阵。选择器向量 专门从 中提取前一时间步t-1处药物的相关嵌入。
此外,某些药物可能存在有害相互作用(DDI),应避免联合使用。为解决此问题,我们将药物协同图 与药物安全图 相结合,增强药物节点的综合表示。值得注意的是,构建药物安全图 的方法与 高度相似。具体而言,我们使用 作为邻接矩阵,其中 表示第 种和第 种药物存在成对的有害药物相互作用。
随后,我们采用基于GAT的图神经网络方法获取药物图 中药物节点的嵌入。
首先,我们利用注意力机制计算节点与其邻居之间的注意力系数,然后进行归一化:
此处, 表示对拼接特征向量 和 的线性变换应用LeakyReLU激活函数后的输出,该线性变换由可学习权重向量 参数化。符号 表示图 中节点 的邻居节点集合,而 表示向量拼接操作。
其次,我们使用计算得到的注意力系数对邻居节点进行加权聚合,从而获得节点 的表示:
为了克服单视图注意力所带来的局限性,我们进一步引入了多头注意力机制,使用线性层将节点表示映射到多个子空间,然后在每个子空间下聚合表示。形式上,该操作表示为:
在该公式中,表示注意力头的总数,上标表示当前注意力头索引,表示将不同头的输出进行拼接。通过该策略,能够在不同维度上捕获不同的节点特定信息,并从多个子空间进行整合,从而显著提高所学节点表示的精确性和鲁棒性。
在训练过程中,每个药物实体按照上述步骤进行更新,从而得到药物集合的聚合表示。
同样,为了捕获高血压独特的临床关系,例如合并症之间的相互作用、长期监测数据以及联合治疗动态,我们定义了3个异质完全图:诊断-操作图、药物-诊断图和药物-操作图。这建立了一个关联模型,该模型对于准确的高血压药物推荐至关重要,但与其他药物类别的相关性较低。采用与药物图类似的学习方法,我们首先初始化了这3个异质图中的诊断节点和操作节点。
使用公式(3)-(5)中概述的方法,我们随后从诊断-操作图中学习,以获得诊断编码和操作节点的聚合集合。
最后,基于来自药物图的聚合药物节点以及从诊断-操作图中学到的诊断节点和操作节点,我们从药物-诊断图和药物-操作图中学习,更新以获得药物、诊断和操作集合的实体级表示:
值得注意的是,本研究使用多头GAT机制来学习和更新图中的节点。尽管传统的GAT模型考虑内在特征并聚合邻居特征,但我们提出的基于异质图的方法更强调通过显式建模不同医学实体之间的交互来增强药物、诊断和操作的嵌入。因此,我们的模型更加集中地关注邻居节点,以防止过度的节点信息合并。为此,我们修改了标准GAT方法,以在异质图学习过程中显式关注来自邻居节点的信息。
时间选择模块
为了有效建模患者健康状况的时间演变,本文引入了一种使用门控循环单元(GRU)的双向时间选择机制,具有3个关键创新点,使其区别于传统应用。
首先,我们采用双向时间架构来捕获多尺度时间依赖关系。具体而言,我们首先使用来学习诊断序列,生成前向诊断选择系数,该系数强调历史就诊对当前状态的影响(例如,既往高血压危象记录影响当前的药物滴定):
同时,在反向时间顺序中使用反向机制来学习诊断序列,生成不同时间步的反向选择系数,以突出近期的关键变化。例如,近期血压波动需要立即调整治疗。这种双向设计增强了计算稳定性,同时克服了单向GRU或传统循环神经网络(RNN)的局限性,后者往往忽略长期或短期时间线索:
其次,我们提出了一种自适应选择系数整合策略。基于生成的双向诊断选择系数,我们能够捕捉就诊序列中的关键就诊信息和实体信息,而不是依赖静态聚合方法。这使我们能够捕捉关键就诊信息和实体交互,从而获得融合历史背景与当前需求的诊断表示:
第三,利用GRU的固有优势,我们的设计在不牺牲性能的情况下实现了计算效率。与传统RNN相比,GRU有效缓解了梯度消失问题;相对于LSTM,其简化的门控机制通过避免冗余记忆单元降低了参数复杂度,从而带来更快的训练效率,这是处理药物推荐任务中大规模纵向电子健康记录(EHR)数据的关键优势。经过一系列类似的处理步骤,我们获得了患者最终的手术和药物表示。
交互预测模块
基于上述模块生成的输出,对于患者的第次就诊,我们拼接医学实体序列以进行药物推荐:
在我们的方法中,药物推荐任务被形式化为多标签分类问题[2526]。为应对医学数据集的复杂性及潜在不平衡,我们在模型训练期间采用了综合策略。我们通过使用正则化技术限制所学参数的复杂度,增强了模型的泛化能力并减轻了过拟合。此外,实施了早停机制,根据验证集性能来提前终止训练。为优化参数,我们使用了Adam优化算法[27],该算法最小化二元交叉熵损失函数,以促进高效且稳定的模型收敛。
伦理考量
本研究使用了麻省理工学院提供的标准化、公开可用的MIMIC-III和MIMIC-IV数据集[2324],因此被视为免于伦理批准要求。在发布之前,这些数据集经过了数据提供方(麻省理工学院)实施的全面伦理审查和隐私保护流程。这些流程包括对患者电子健康记录(EHR)中所有个人可识别信息进行去标识化处理,如姓名、住院号和出生日期。此外,数据集的使用许可明确涵盖学术研究的二次分析场景,使用户无需独立获取额外的伦理批准。由于本研究不涉及独立收集人类受试者数据,仅依赖上述公开且合规的现有数据集进行二次分析,因此我们不拥有单独的伦理批准文件可供提供。伦理批准声明发布在数据提供方的官方网站上[2324],可通过联系我们获取数据集使用许可的原件。
结果
数据集描述
我们的实验使用麻省理工学院提供的MIMIC-III v1.4和MIMIC-IV v2.2数据集进行。这些数据集包含从重症监护病房入院患者中收集的医疗记录,如诊断、操作和药物。诊断和操作信息使用国际疾病分类第九版(ICD-9)编码系统。为研究高血压患者的用药推荐,本文在临床专家指导下,基于ICD-9高血压编码从上述数据集中提取相关数据。同时,参照既往研究规范[42122],纳入至少完成两次就诊的患者,并排除出现频率<2000次的药物。
在数据分析过程中,我们观察到常用降压药物数量相对有限,且基于过于宽泛的解剖治疗化学(ATC)类别的推荐往往缺乏精确临床决策所需的特异性。鉴于ATC分类系统具有系统化的药物分类框架,本研究克服了既往研究仅关注ATC04层面进行推荐的局限性。它不仅预测ATC04层面的药物类别(如C02A,中枢作用抗肾上腺素能药物),还进一步细化到ATC05层面的具体药物类型(如C02AA,利血平类药物)。
数据提取后,我们进行了细致的预处理。我们对特征进行归一化以标准化不同变量的尺度,防止某些特征在模型训练中占据主导地位。此外,我们有选择地选取与高血压药物最相关的变量。最后,预处理后的数据集按照一定比例划分为训练子集、验证子集和测试子集。
实验所用数据集的详细信息和患者示例见表1和表2。
评估指标
为验证CSRec的有效性,采用了以下各节所述的评估指标。
Jaccard相似系数
Jaccard系数越高,反映预测药物集与实际药物集之间的重叠越大。
精确率-召回率曲线下面积
精确率-召回率曲线下面积(PRAUC)较高表明模型在推荐合适药物的同时保持较低的 error rate。
F1分数
药物推荐中F1分数指标升高意味着在最小化假阴性与保持分类特异性之间达到最佳平衡。
DDI发生率
较低的DDI发生率确保所推荐药物组合在临床实践中更安全。
对比模型
选择以下基线模型与所提出的CSRec进行比较:
逻辑回归(LR)使用L2正则化。
分类器链集成(ECC)[28]通过连接多个分类器增强预测,通常应用于多标签分类场景以优化性能。
RETAIN [18]实现双向时间注意力架构,设计用于治疗推荐等序列临床预测任务。
学习处方(LEAP)[29]使用RNN在当次就诊中提取有意义的表示并生成药物序列。
双记忆神经计算机(DMNC)[20]引入双记忆神经组件以建模异步治疗模式交互。
GAMENet [11]采用基于图的记忆架构,结合药物相互作用知识与查询纵向EHR数据进行药物检索。
MICRON [21]分析EHR时间动态,以在症状演变时自适应优化药物组合。
SafeDrug [16]评估分子水平的药物-患者相容性以建议更安全的治疗方案。
COGNet [22]实现药物复制或预测策略,将历史有效处方整合到当前推荐中。
MoleRec [14]通过分子-患者关系预测药物机制与相互作用,以实现个性化、更安全的推荐。
CausalMed [9]通过因果发现识别医学实体因果关系,考虑动态健康状况差异以生成因果关联的推荐。
性能比较
在本节中,我们对CSRec与前述基线药物推荐模型进行了广泛的对比分析,以评估其有效性。在MIMIC-III v1.4和MIMIC-IV 2.2数据集上的实验结果如表3所示(“↑”表示偏好较大值,“↓”表示偏好较小值)。
经过详细分析,我们观察到若干关键发现,如下文各段所述。
本文提出的CSRec模型在多项评估指标上优于大多数对比模型,充分证明其在高血压药物推荐中的显著有效性。
LR和ECC表现较差,主要因为这些方法仅关注患者当前临床状况,忽视了历史医疗数据对当前治疗决策的影响。相比之下,本文提出的模型以及RETAIN、GAMENet等整合纵向病史的模型表现更好,凸显了在高血压药物推荐中捕捉历史医疗信息的重要性。
与RETAIN、GAMENet和COGNet等纵向模型相比,CSRec保持了更优的性能,其中Jaccard分数的提升尤为显著。这一优势可归因于2项核心架构改进。时间选择模块通过为临床关键历史信息赋予更高权重,能够准确模拟患者疾病进展,从而确保推荐遵循一致的临床推理框架。同时,异质协作模块有助于有效捕捉异质医学实体(诊断、操作、药物)之间的协同关系,使模型能够识别临床上连贯且反映真实世界联合处方模式的药物组合。总体而言,这些创新提高了推荐药物与实际处方药物之间的重叠程度,Jaccard指数的升高从实证上验证了这一点。
尽管本研究提出的CSRec模型在DDI指标上未取得最高分,但仍位列次优。这主要是因为表现最佳的LEAP模型仅考虑患者当前的健康状态,导致推荐的药物数量较少,因而DDI分数最低。
消融研究
为系统评估CSRec中各模块的贡献和有效性,在MIMIC-IV上进行了消融实验,将CSRec与其变体进行比较:
WO_S移除基于循环机制的选择模块。
WO_C移除基于异质图的协作模块。
GAT_GCN将协作模块中的多头GAT替换为图卷积网络(GCN)。
图3所示结果表明,当移除或替换任一模块时,CSRec的性能均下降,证明CSRec的每个组件均不可或缺。评估指标(Jaccard、PRAUC、F1分数和DDI)中观察到的性能下降可归因于各模块独特的功能作用:协作模块有效建模了每次就诊期间不同医学事件之间的相关性,其移除(WO_C)导致事件关联捕捉不完整,使医学实体表示失去上下文相关性,从而导致推荐准确性下降。选择模块对患者的历史医疗数据进行全局建模,其缺失(WO_S)导致模型无法强调疾病进展中的关键时间点,使高血压发展的时间连续性被打断,从而导致指标下降。当用GCN替换多头GAT(GAT_GCN)时,注意力机制的丧失导致重要医学实体关系的区分不足,与原始模型相比推荐精度降低,因为卷积操作无法对异质图信息进行动态加权。
此外,本研究进一步探讨了不同类型的协作医学实体信息(诊断-药物、操作-药物、诊断-操作和药物-药物)对高血压药物推荐的影响。变体设计如下:
WO_DM移除诊断-药物交互信息。
WO_PM 移除诊疗操作-药物相互作用信息。
WO_DP 移除诊断-诊疗操作相互作用信息。
WO_MM 移除药物共现及相互作用信息。
如图4所示,当移除任一单一类型的协同医疗实体信息(WO_DM、WO_PM、WO_DP)时,CSRec的性能均出现下降,证实了此类信息与药物推荐任务之间的强相关性。指标下降的具体程度与各类信息的临床相关性相对应:移除诊断-药物相互作用(WO_DM)后指标降低,因为诊断信息直接指导一线高血压药物的选择。WO_PM组的下降源于与诊疗操作相关的药物调整信息丢失(例如介入术后抗凝需求)。对于WO_DP,其下降反映了为治疗性药物选择提供依据的诊断-操作逻辑链被破坏。
值得注意的是,移除药物共现及相互作用信息(WO_MM)导致药物推荐性能的DDI风险率显著下降。这一显著变化可由高血压管理中联合用药的频繁使用来解释。在缺乏药物相互作用数据的情况下,模型无法避免禁忌药物配对,而共现模式的丢失则降低了协同用药推荐的准确性。这凸显了药物共现及DDI信息在确保高血压治疗有效性和安全性方面的重要作用。
参数敏感性
为了探究异质协同模块中多头图注意力机制内注意力头数变化对模型效能的影响,在MIMIC-IV数据集上进行了多组实验。比较不同头数的实验结果如图5所示。
注意力头数设置为3(head=3)时达到最优性能。因此,本研究在其余实验中一致采用该配置(head=3)。此外,实验结果表明,注意力头数的变化仅导致极小的性能差异,凸显了所提出模型的稳定性和可靠性。
此外,为研究纳入的高血压药物数量对模型性能的影响,我们通过将药物纳入的最低出现阈值从500调整至3000进行了敏感性分析。药物数量从26种(≥500)到9种(≥3000)不等。
如表4所示,所有4项指标——Jaccard、PRAUC、F1-score和DDI——的性能均保持显著稳定,仅有微小波动。值得注意的是,最佳性能出现在2000阈值处,这也是本文所采用的阈值。这一发现支持了我们的设计选择,并表明我们的框架即使在不同药物纳入标准下仍保持稳健,缓解了关于样本量有限的顾虑。此外,设置较低阈值会引入频率较低的药物,这些药物可能缺乏足够的临床代表性,可能损害训练的统计可靠性。因此,当前配置在药物多样性与预测稳定性之间取得了合理的权衡。
案例研究
为直观展示并验证我们的核心创新——包括异质协同交互建模和时间选择性机制——我们从MIMIC-IV数据集测试集中随机选取一名患者进行案例研究。以诊断和药物实体为例,整个学习过程如图6所示。
首先,在协同过程(a)中,展示了模型的协同交互机制:在就诊特定层面,模型通过为诊断编码(DC列)与药物编码(MC列)之间的相互作用分配上下文感知的交互权重,动态增强了诊断信息向药物推荐推理的整合。对于示例患者的首次就诊,DC列包含合并症相关编码,包括慢性阻塞性肺疾病(ICD-9: 496)、甲状腺功能减退症(ICD-9: 2449)、心房颤动(ICD-9: 42731)以及有记录的心血管疾病史(ICD-9: V1254),而MC列包括高血压靶向药物,如选择性β1受体阻滞剂(ATC-04: C07A)和二氢吡啶类钙通道阻滞剂(ATC-04: C08C)。这与我们捕捉疾病特异性协同模式的创新相一致,体现在每个DC列中高血压相关诊断编码的选择系数始终较高,从而优先考虑了对高血压治疗至关重要的疾病背景。
此外,为验证我们的时间选择机制,本案例研究重点展示了模型如何捕捉纵向电子健康记录(EHR)依赖关系。鉴于高血压的慢性特征,推荐用药取决于当前(第三次就诊)诊断(DC列)和历史数据。如步骤(b)所示,既往就诊的诊断编码获得了更高的选择系数,而步骤(c)表明历史用药编码同样被优先考虑。这反映了我们的模型能够动态加权时间信息,应对高血压的演变特性,并体现了相对于静态模型的优势。
讨论
本文提出了基于异构医疗实体协作与选择的CSRec高血压用药推荐模型。通过有效捕捉多种医疗实体之间的关系并结合临床实体的时间演变特征,该模型为高血压治疗提供了更精准有效的用药指导。未来研究将聚焦3个主要方向:(1)深入探索当前方法中存在的多标签不平衡问题,(2)进一步研究模型在解决冷启动问题方面的性能,(3)探索关于用药剂量和用药类型的推荐。
参考来源
- Zhang K, Zhang Z, Liang Y, et al. Hypertension Medication Recommendation via Synergistic and Selective Modeling of Heterogeneous Medical Entities: Development and Evaluation Study of a New Model. JMIR Med Inform. 2025. PMID: 41289573. doi:10.2196/74170
- 全文:PMC12646553(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12646553/
供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。