洪高楓,黃 杰,萬(wàn) 健

(浙江科技學(xué)院 信息與電子工程學(xué)院,杭州 310023)

隨著現(xiàn)代醫(yī)學(xué)技術(shù)的發(fā)展,電子病歷廣泛使用,從而積累了大量的臨床數(shù)據(jù),如生命體征[1]、疾病診斷[2]、處方藥物[3]、醫(yī)療費(fèi)用[4]等數(shù)據(jù)。同時(shí),深度學(xué)習(xí)技術(shù)為醫(yī)療數(shù)據(jù)的挖掘和利用提供了新的技術(shù)手段,是目前的一個(gè)熱點(diǎn)研究方向[5-6]。其中,基于電子病歷的組合藥物推薦算法,能夠根據(jù)患者病情的變化特征、藥物屬性及大量藥物之間的作用關(guān)系,輔助醫(yī)生制定安全有效的處方[7],具有重要的研究?jī)r(jià)值。

早期的藥物推薦系統(tǒng)多基于規(guī)則。李楓林等[8]基于描述邏輯與語(yǔ)義推理向用戶推薦合適的抗高血壓藥物,實(shí)現(xiàn)了簡(jiǎn)單的藥物推薦算法。Chen等[9]從患者的診斷、疾病分類、癥狀、檢測(cè)結(jié)果等醫(yī)學(xué)信息中得出用藥規(guī)則以推薦藥物。深度學(xué)習(xí)運(yùn)用到藥物推薦系統(tǒng)之后,Gong等[10]將患者的體征、醫(yī)學(xué)診斷、既往用藥等信息嵌入一個(gè)低維空間,并使用該嵌入表示進(jìn)行推薦。

注意力機(jī)制是在深度學(xué)習(xí)模型中嵌入的一種特殊結(jié)構(gòu),用來(lái)自動(dòng)學(xué)習(xí)和計(jì)算輸入數(shù)據(jù)對(duì)輸出數(shù)據(jù)的貢獻(xiàn)大小。將注意力機(jī)制運(yùn)用到藥物推薦算法中能夠捕捉患者病歷中對(duì)當(dāng)前推薦藥物有貢獻(xiàn)的內(nèi)容進(jìn)行學(xué)習(xí)。Choi等[11]使用注意力機(jī)制學(xué)習(xí)患者歷史就診的權(quán)重,對(duì)每次就診之間的關(guān)系進(jìn)行建模,獲得以往就診對(duì)當(dāng)前藥物推薦的貢獻(xiàn)矩陣,幫助醫(yī)生理解模型提供的推薦依據(jù)。Ma等[12]使用注意力機(jī)制來(lái)解決不同就診時(shí)間間隔的臨床檢測(cè)數(shù)據(jù)對(duì)患者診斷的影響,從而提升模型的準(zhǔn)確率。

圖神經(jīng)網(wǎng)絡(luò)能夠處理醫(yī)療實(shí)體間的復(fù)雜關(guān)系,它在醫(yī)療領(lǐng)域的使用方法就是在醫(yī)療圖數(shù)據(jù)上進(jìn)行卷積,包含基于譜方法和基于空間的方法。譜方法是在譜域上進(jìn)行卷積,首先將圖數(shù)據(jù)上的信號(hào)轉(zhuǎn)換到譜域,然后在譜域上進(jìn)行卷積的定義,再變換到空間域,代表模型為圖卷積神經(jīng)網(wǎng)絡(luò)(graph convolutional networks,GCN)?？臻g方法是直接在空間上進(jìn)行卷積,通過(guò)將相鄰結(jié)點(diǎn)的信息聚合來(lái)更新結(jié)點(diǎn)的表示,代表模型為圖注意力網(wǎng)絡(luò)(graph attention networks,GAT)。Shang等[13]結(jié)合動(dòng)態(tài)記憶網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)來(lái)模擬患者電子病歷中的時(shí)序依賴,使用圖卷積網(wǎng)絡(luò)對(duì)藥物之間的相互作用進(jìn)行建模,降低推薦藥物間的相互作用率,提升了推薦藥物的安全性。Bhoi等[14]在推薦系統(tǒng)中使用圖注意力網(wǎng)絡(luò)對(duì)藥物間相互作用進(jìn)行建模,給不同模塊量化得分,使得推薦藥物具有可解釋性。

以往研究未能充分利用藥物相互作用知識(shí),忽略醫(yī)療本體關(guān)系,導(dǎo)致醫(yī)療表示稀疏,推薦質(zhì)量不夠高。針對(duì)這些問(wèn)題,本研究提出一種基于圖神經(jīng)網(wǎng)絡(luò)結(jié)合注意力技術(shù)的藥物推薦算法(graph augmented neural network with attention for medication recommendation,GRAD)。利用該算法構(gòu)造醫(yī)療代碼的本體關(guān)系圖,使用圖神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)醫(yī)療代碼的本體語(yǔ)義信息,豐富醫(yī)療代碼的表示;將醫(yī)療表示輸入結(jié)合注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)中捕捉患者歷史病歷特征;同時(shí)引入藥物相互作用知識(shí),學(xué)習(xí)藥物相互作用知識(shí);并在公開(kāi)的電子病歷數(shù)據(jù)集上進(jìn)行多個(gè)試驗(yàn)并評(píng)估。

1 藥物推薦定義

1.1 患者病歷定義

患者的電子病歷可以表示為t次就診的序列,如圖1所示。一位患者的病歷表示為P=(x1,x2,…,xt),t為該患者就診次數(shù)。患者的第i次就診表示為xi=(di,pi,mi),i=1,2,…,t,其中di為患者第i次就診的國(guó)際疾病分類(international classification of diseases,icd-9)[15]診斷代碼,如{' 4373' ,' 43820' ,' V452' };pi為一個(gè)患者病歷中第i次就診的icd-9手術(shù)代碼,如{' 3731' ,' 8872' ,' 893' };mi為第i次就診的藥物解剖學(xué)、治療學(xué)及化學(xué)分類法(anatomical therapeutic chemical,ATC)藥物代碼,如{' A12C' ,' A03B' ,' C01C' }。病歷中出現(xiàn)的所有診斷代碼、手術(shù)代碼、藥物代碼的數(shù)量分別用Nd、Np、Nm來(lái)表示。

圖1 電子病歷的表示

1.2 推薦任務(wù)定義

2 GRAD算法

2.1 算法框架描述

GRAD算法框架如圖2所示。它主要由圖嵌入表示模塊、患者病歷表示模塊、歷史用藥檢索模塊、藥物相互作用模塊和輸出模塊組成。圖嵌入表示模塊使用圖神經(jīng)網(wǎng)絡(luò)對(duì)手術(shù)、診斷、藥物本體圖進(jìn)行學(xué)習(xí),對(duì)醫(yī)療代碼使用向量表示并輸出?；颊卟v表示模塊對(duì)患者的歷史診斷和手術(shù)代碼向量使用注意力機(jī)制結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí),輸出患者歷史病歷向量qt。歷史用藥檢索模塊使用患者病歷向量qt與歷史用藥向量相結(jié)合,得到歷史用藥向量vt。藥物相互作用模塊使用圖卷積神網(wǎng)絡(luò)學(xué)習(xí)藥物相互作用知識(shí),與患者病歷向量qt相結(jié)合,得到包含藥物相互作用信息的藥物向量dt。輸出模塊對(duì)qt、dt、vt3個(gè)向量進(jìn)行拼接,通過(guò)多分類輸出得到推薦的藥物向量。

圖2 GRAD算法框架

2.2 醫(yī)療代碼的本體圖嵌入表示

醫(yī)療代碼的編碼體系結(jié)構(gòu)可以描述為一個(gè)樹狀的分類結(jié)構(gòu),icd-9編碼部分結(jié)構(gòu)表示如圖3所示。葉子結(jié)點(diǎn)代表icd-9診斷代碼,其祖先結(jié)點(diǎn)代表具有醫(yī)學(xué)分類概念的醫(yī)學(xué)本體。如C9413.0(臥位心絞痛)和C10413.1(Prinzmetal氏心絞痛)同屬于413下的心絞痛分類,屬于410～414缺血性心臟病總分類。通過(guò)電子病歷中出現(xiàn)的醫(yī)療代碼,根據(jù)編碼知識(shí)來(lái)構(gòu)造相應(yīng)的醫(yī)學(xué)本體關(guān)系圖。使用圖神經(jīng)網(wǎng)絡(luò)對(duì)醫(yī)學(xué)本體樹的各結(jié)點(diǎn)特征進(jìn)行學(xué)習(xí),使得本體樹中的結(jié)點(diǎn)特征包含不同關(guān)聯(lián)度的其他結(jié)點(diǎn)信息,獲得更加全面的表示。最終得到融合醫(yī)學(xué)本體語(yǔ)義信息的醫(yī)療代碼表示,以用于后續(xù)的推薦任務(wù)。

圖3 icd-9編碼部分結(jié)構(gòu)表示

(1)

(2)

第二步對(duì)所有葉子結(jié)點(diǎn)ei?C*)進(jìn)行嵌入學(xué)習(xí),利用圖注意力網(wǎng)絡(luò)將其所有的祖先結(jié)點(diǎn)的嵌入表示和自身結(jié)點(diǎn)的嵌入表示相結(jié)合,

(3)

第k個(gè)注意力下各個(gè)結(jié)點(diǎn)的系數(shù)

(4)

式(4)中:a(i)為葉子結(jié)點(diǎn)i的所有祖先結(jié)點(diǎn);σLeakyReLU為L(zhǎng)eakyReLU激活函數(shù)。圖3展示了葉子節(jié)點(diǎn)C10通過(guò)圖注意力網(wǎng)絡(luò)結(jié)合其所屬分類本體信息的過(guò)程。最終得到了融合本體信息的所有診斷代碼表示。

2.3 病歷學(xué)習(xí)及藥物相互作用檢索

2.3.1 歷史診斷和手術(shù)的學(xué)習(xí)

采用結(jié)合注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)患者歷史病歷,將患者病歷中的診斷、手術(shù)表示視作序列,輸入循環(huán)神經(jīng)網(wǎng)絡(luò)。使用注意力機(jī)制將歷史診斷的隱藏層輸出信息結(jié)合到當(dāng)前診斷表示中。將歷史診斷信息注意力權(quán)重表示為αd,αd[i](1≤i≤t)為第i次就診權(quán)重的量值,

(5)

式(5)中:Gα為一個(gè)方法,這個(gè)方法是將診斷代碼的時(shí)序向量輸入循環(huán)神經(jīng)網(wǎng)絡(luò)(gate recurrent unit,GRU)并輸出;ht為GRU中的一個(gè)隱藏層輸出;Fα為權(quán)重向量的R64×1線性變換函數(shù)。同樣將診斷代碼的時(shí)序向量輸入循環(huán)神經(jīng)網(wǎng)絡(luò)Gβ中,并用tanh作為激活函數(shù)獲得權(quán)重βd,

(6)

式(6)中:gi為GRU中的隱藏層輸出。結(jié)合2個(gè)診斷權(quán)重得到包含歷史診斷信息的表示

(7)

(8)

2.3.2 歷史用藥檢索

γt=softmax(qt·q1,qt·q2,…,qt·qt-1)。

(9)

通過(guò)注意力γt∈Rt-1得到歷史用藥向量vt,第i次歷史用藥向量:

(10)

2.3.3 藥物相互作用檢索和輸出

引入藥物相互作用知識(shí),用鄰接矩陣AC表示電子病歷中的藥物共存關(guān)系,用鄰接矩陣AD表示藥物相互作用關(guān)系。采用圖卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)藥物共現(xiàn)關(guān)系和藥物相互作用關(guān)系,以表示藥物相互作用知識(shí)。用A*∈RNm×Nm來(lái)統(tǒng)一表示鄰接矩陣AC和AD,每個(gè)A*可以表示為

A*=D-1(A*+I)D-1。

(11)

式(11)中:A*為一個(gè)對(duì)稱歸一化拉普拉斯矩陣;D為一個(gè)對(duì)角矩陣;I為一個(gè)單位矩陣。然后使用圖卷積神經(jīng)網(wǎng)絡(luò)來(lái)學(xué)習(xí)每個(gè)圖中藥物之間的關(guān)系,將藥物的相互作用和共現(xiàn)關(guān)系結(jié)合到嵌入表示中:

(12)

λt=softmax((ZC+wZD)T·qt)。

(13)

式(13)中:(ZC+wZD)T為(ZC+wZD)的轉(zhuǎn)置矩陣;w∈R,為藥物相互作用的權(quán)重。得到檢索藥物相互作用信息的向量

dt=(ZC+wZD)·λt。

(14)

(15)

2.4 損失函數(shù)設(shè)置

將藥物推薦任務(wù)視作序列預(yù)測(cè)的多標(biāo)簽分類問(wèn)題,使用二元交叉熵?fù)p失函數(shù)、多標(biāo)簽分類間距損失函數(shù)來(lái)控制推薦藥物的準(zhǔn)確率。定義藥物相互作用損失函數(shù)來(lái)衡量推薦藥物的相互作用率。

二元交叉熵?fù)p失函數(shù)定義如下:

(16)

(17)

式(17)中:U為真實(shí)病歷使用藥物的集合。藥物與藥物相互作用的損失函數(shù)

(18)

使用3個(gè)超參數(shù)γ1、γ2、γ3來(lái)聯(lián)合3個(gè)損失函數(shù),

Lcombine=γ1Lbce+γ2Lmulti+γ3LDDI。

(19)

式(19)中:γ1+γ2+γ3=1。

3 試驗(yàn)設(shè)計(jì)與結(jié)果分析

3.1 數(shù)據(jù)集介紹

本試驗(yàn)使用重癥監(jiān)護(hù)醫(yī)學(xué)信息數(shù)據(jù)庫(kù)(Medical Information Mark for Intensive Care,MIMIC-Ⅲ)[16]電子病歷(Electronic Medical Record,EMR)數(shù)據(jù),該數(shù)據(jù)集是由麻省理工學(xué)院計(jì)算生理學(xué)實(shí)驗(yàn)室發(fā)布的免費(fèi)公開(kāi)的重癥監(jiān)護(hù)室數(shù)據(jù)集。本試驗(yàn)使用該數(shù)據(jù)庫(kù)中的診斷單、手術(shù)單和處方單數(shù)據(jù),篩選患者在進(jìn)入重癥監(jiān)護(hù)室(Intensive Care Unit,ICU)后的24 h內(nèi)接受的藥物,并將藥物編碼從國(guó)家藥物代碼(National Drug Code,NDC)編碼轉(zhuǎn)換為ATC三級(jí)編碼,并使用icd-9編碼實(shí)現(xiàn)診斷代碼和手術(shù)代碼的統(tǒng)一。數(shù)據(jù)集的統(tǒng)計(jì)見(jiàn)表1。

表1 數(shù)據(jù)集的統(tǒng)計(jì)

3.2 評(píng)價(jià)指標(biāo)及訓(xùn)練設(shè)置

為衡量推薦準(zhǔn)確度,使用杰卡德相似系數(shù)(Jaccard)(真實(shí)藥物與推薦藥物交集的大小除以并集大小)、F1值(精確率和召回率的調(diào)和平均)、精確度調(diào)用曲線面積(precision recall area under curve,PRAUC)作為準(zhǔn)確率的衡量指標(biāo)。同時(shí)為衡量推薦藥物的安全性,定義藥物相互作用率RDDI,即推薦組合藥物中含有藥物相互作用(drug-drug interaction,DDI)藥物的比例

(20)

式(20)中:N為測(cè)試集中患者的數(shù)量;Tk為第k個(gè)患者的就診次數(shù)。定義相對(duì)藥物相互作用率ΔDDI,即推薦藥物的DDI與電子病歷(EMR)數(shù)據(jù)集中真實(shí)DDI的相對(duì)百分比

(21)

試驗(yàn)將以4∶1∶1的比例將數(shù)據(jù)集隨機(jī)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。超參數(shù)在驗(yàn)證集中進(jìn)行調(diào)整,取值分別為γ1=0.98、γ2=0.01、γ3=0.01。GRU和圖神經(jīng)網(wǎng)絡(luò)中隨機(jī)失活(dropout)設(shè)置為0.4,圖注意力網(wǎng)絡(luò)中注意力個(gè)數(shù)K為2。使用自適應(yīng)估計(jì)優(yōu)化器來(lái)優(yōu)化模型的參數(shù),學(xué)習(xí)率為0.000 4,根據(jù)40個(gè)訓(xùn)練周期后驗(yàn)證集上的結(jié)果選擇性能最佳的模型,試驗(yàn)的最終結(jié)果為測(cè)試集上的結(jié)果。所有方法均使用PyTorch 1.7.0軟件實(shí)現(xiàn),系統(tǒng)為Ubuntu 18.04,顯卡為具有12 GB內(nèi)存的NVIDIA GEFORCE RTX 2080Ti。

3.3 對(duì)比方法介紹

邏輯回歸(logistic regression,LR)方法使用L2正則化邏輯回歸,將醫(yī)療代碼用多熱向量來(lái)表示并作為數(shù)據(jù)輸入,使用二分類用于處理多標(biāo)簽輸出。RETAIN方法[11]基于兩層注意力網(wǎng)絡(luò)模型學(xué)習(xí)的藥物組合序列,選擇過(guò)去就診中重要的臨床變量來(lái)進(jìn)行推薦。LEAP方法[17]使用循環(huán)神經(jīng)網(wǎng)絡(luò)來(lái)學(xué)習(xí)藥物間依賴關(guān)系,使用基于內(nèi)容的注意力機(jī)制來(lái)捕獲標(biāo)簽到實(shí)例間的映射。GAMENET方法[13]通過(guò)存儲(chǔ)模塊將歷史用藥和藥物相互作用DDI使用圖卷積網(wǎng)絡(luò)集成來(lái)降低推薦藥物間的相互作用率。PREMIER方法[14]使用注意力機(jī)制學(xué)習(xí)患者歷史表示,結(jié)合圖注意力機(jī)制學(xué)習(xí)藥物相互作用來(lái)進(jìn)行安全的藥物推薦。

3.4 試驗(yàn)結(jié)果及分析

3.4.1 不同模型對(duì)比試驗(yàn)

不同模型對(duì)比試驗(yàn)見(jiàn)表2。試驗(yàn)結(jié)果表明,在所有方法中,本文方法可以達(dá)到最好的效果。本研究提出的方法在Jaccard、PRAUC和F1方面比PREMIER分別高出1.02%、1.09%和1.23%。同時(shí)本文方法兼顧藥物相互作用,在取前40種藥物相互作用情況下和同類深度學(xué)習(xí)方法對(duì)比,本文方法的RDDI較低,為0.070 5。此外本文方法推薦的平均藥物數(shù)量為14.98種,在與各個(gè)深度學(xué)習(xí)方法對(duì)比中最接近病歷真實(shí)的平均藥物數(shù)量14.68種。這表明本文算法比其他算法更能有效提高藥物推薦的準(zhǔn)確率和安全性。LR為機(jī)器學(xué)習(xí)的方法,在F1、PRAUC、Jaccard得分方面不如其他深度學(xué)習(xí)方法。深度學(xué)習(xí)方法中LEAP為基于實(shí)例的方法,在各項(xiàng)性能指標(biāo)中低于RETAIN、GAMENET等基于患者歷史病歷時(shí)序序列的方法。這也證實(shí)了患者的歷史就診信息對(duì)當(dāng)前藥物推薦非常重要。GAMENET和PREMIER方法引入了藥物相互作用知識(shí),相比LR、LEAP方法提升了藥物推薦的準(zhǔn)確率,降低了藥物的相互作用率,但這些方法將醫(yī)療代碼看作獨(dú)立個(gè)體,忽視了醫(yī)療代碼間的醫(yī)學(xué)知識(shí),各項(xiàng)指標(biāo)低于本文方法。這表明了結(jié)合醫(yī)療本體圖知識(shí)后的算法對(duì)藥物推薦的準(zhǔn)確率和藥物相互作用率的控制具有提升作用。

表2 不同模型對(duì)比試驗(yàn)

去掉DDI圖,不進(jìn)行藥物相互作用檢索的模型,在沒(méi)有藥物相互作用知識(shí)圖的情況下,Jaccard、PRAUC、F1值變動(dòng)不大,但模型推薦藥物中的RDDI變高,達(dá)到0.076 7,這說(shuō)明本文方法中把藥物間相互作用關(guān)系的知識(shí)和具有歷史就診信息的查詢向量相結(jié)合,降低了推薦藥物中的相互作用率,能夠有效提高用藥安全性。去掉本體圖模塊,直接用簡(jiǎn)單的多熱編碼嵌入矩陣代替醫(yī)學(xué)本體圖嵌入進(jìn)行試驗(yàn),在沒(méi)有醫(yī)療代碼本體結(jié)構(gòu)的嵌入后,F1值下降0.89%,PRAUC下降0.66%,藥物推薦的準(zhǔn)確率出現(xiàn)明顯下降,這表明本研究使用的圖神經(jīng)網(wǎng)絡(luò)具有對(duì)高階結(jié)構(gòu)特征的編碼能力,能夠豐富醫(yī)學(xué)本體的嵌入表示,在一定程度上彌補(bǔ)了訓(xùn)練數(shù)據(jù)稀疏的問(wèn)題,提高了藥物推薦的準(zhǔn)確率。

3.4.2 不同就診次數(shù)的試驗(yàn)

由于每位患者的就診次數(shù)不同,故應(yīng)考慮以往就診次數(shù)對(duì)藥物推薦質(zhì)量的影響。不同就診次數(shù)下F1值對(duì)比如圖4所示,LEAP為基于實(shí)例的方法,就診次數(shù)的增加對(duì)之后的藥物推薦沒(méi)有影響,F1值一直在較低的水平波動(dòng)。GAMENET為基于歷史就診時(shí)序的方法,能夠?qū)W習(xí)患者之前的用藥,相比LEAP方法有明顯的提升,但隨著就診次數(shù)的增加,F1值開(kāi)始下降。PREMIER相比GAMENET增加了時(shí)序注意力機(jī)制,提升了F1值,但隨著就診次數(shù)的增加,F1值仍然會(huì)下降。對(duì)于不同的時(shí)序長(zhǎng)度,本研究使用的算法優(yōu)于其他比較的方法。本文算法在以就診次數(shù)為分類依據(jù)的所有試驗(yàn)中F1值均為最高。特別是對(duì)于就診次數(shù)多的患者,與其他方法相比仍能保持較高的準(zhǔn)確率,這表明本文方法對(duì)患者病歷中的長(zhǎng)時(shí)序依賴具有更好的建模能力。

圖4 不同就診次數(shù)下F1值對(duì)比

3.4.3 不同DDI數(shù)量試驗(yàn)

關(guān)于算法對(duì)藥物相互作用的效果,本研究還做了進(jìn)一步的試驗(yàn)。分別使用前40、60、80、100種DDI類型,以探討在使用不同數(shù)量的DDI情況下,本算法及各對(duì)比方法受到的影響。不同DDI數(shù)量試驗(yàn)結(jié)果見(jiàn)表3,RETAIN方法沒(méi)有引入藥物相互作用知識(shí),使得RDDI一直處于較高水平;GAMENET和PREMIER引入了藥物相互作用知識(shí),在DDI數(shù)量較少時(shí)能夠控制推薦藥物的相互作用率,但隨著DDI數(shù)量的增加推薦藥物的相互作用率快速增加;LEAP是基于實(shí)例的方法,推薦藥物按照之前的處方進(jìn)行推薦使得推薦藥物的相互作用能控制在較低水平,但在DDI數(shù)量取前100時(shí)ΔDDI仍會(huì)大于0;本文方法優(yōu)于對(duì)比方法,盡管ΔDDI從-18.48%上升到-0.26%,但考慮到DDI的數(shù)量從40變?yōu)?00,GRAD是唯一能夠?qū)崿F(xiàn)RDDI降低的算法,并且無(wú)論DDI類型有多少,ΔDDI始終大于零。這表明在引入藥物相互作用知識(shí)后本算法能有效降低推薦藥物的相互作用率,更具安全性。

表3 不同DDI數(shù)量試驗(yàn)結(jié)果

4 結(jié) 語(yǔ)

本研究提出一種基于圖神經(jīng)網(wǎng)絡(luò)和注意力機(jī)制的藥物推薦算法,將每個(gè)醫(yī)學(xué)本體當(dāng)作一個(gè)結(jié)點(diǎn),采用圖神經(jīng)網(wǎng)絡(luò)捕捉其中各個(gè)醫(yī)學(xué)本體之間的關(guān)系,學(xué)習(xí)包含醫(yī)學(xué)本體知識(shí)的高階特征;同時(shí)使用注意力來(lái)對(duì)患者的歷史病歷進(jìn)行更高效的建模,引入藥物相互作用知識(shí),提供兼顧用藥安全的藥物推薦。以MIMIC電子病歷為數(shù)據(jù)源的綜合試驗(yàn)結(jié)果表明,本算法能夠提升推薦藥物的準(zhǔn)確率,并降低推薦藥物間的相互作用率。盡管本研究提出的算法取得不錯(cuò)效果,但研究中仍存在一些問(wèn)題,例如由于數(shù)據(jù)規(guī)模的限制在醫(yī)學(xué)表示時(shí)仍存在稀疏性等問(wèn)題,后期的研究將引入更多的知識(shí)以增強(qiáng)醫(yī)學(xué)表示。