論文の概要: Dual-Granularity Medication Recommendation Based on Causal Inference
- arxiv url: http://arxiv.org/abs/2403.00880v1
- Date: Fri, 1 Mar 2024 08:50:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 16:05:08.614361
- Title: Dual-Granularity Medication Recommendation Based on Causal Inference
- Title(参考訳): 因果推論に基づく二重粒度メディケーション勧告
- Authors: Shunpan Liang, Xiang Li, Xiang Li, Chen Li, Yu Lei, Yulei Hou, Tengfei
Ma
- Abstract要約: 医薬推奨は、患者の長期健康記録と医療知識を統合することを目的としている。
既存の研究の多くは、従来のレコメンデーションシステムの変種としてのみ、医薬品レコメンデーションシステムを扱っている。
医薬品推奨のためのフレームワークであるDGMedを提案する。
- 参考スコア(独自算出の注目度): 14.814729935085635
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As medical demands grow and machine learning technology advances, AI-based
diagnostic and treatment systems are garnering increasing attention. Medication
recommendation aims to integrate patients' long-term health records with
medical knowledge, recommending accuracy and safe medication combinations for
specific conditions. However, most existing researches treat medication
recommendation systems merely as variants of traditional recommendation
systems, overlooking the heterogeneity between medications and diseases. To
address this challenge, we propose DGMed, a framework for medication
recommendation. DGMed utilizes causal inference to uncover the connections
among medical entities and presents an innovative feature alignment method to
tackle heterogeneity issues. Specifically, this study first applies causal
inference to analyze the quantified therapeutic effects of medications on
specific diseases from historical records, uncovering potential links between
medical entities. Subsequently, we integrate molecular-level knowledge,
aligning the embeddings of medications and diseases within the molecular space
to effectively tackle their heterogeneity. Ultimately, based on relationships
at the entity level, we adaptively adjust the recommendation probabilities of
medication and recommend medication combinations according to the patient's
current health condition. Experimental results on a real-world dataset show
that our method surpasses existing state-of-the-art baselines in four
evaluation metrics, demonstrating superior performance in both accuracy and
safety aspects. Compared to the sub-optimal model, our approach improved
accuracy by 4.40%, reduced the risk of side effects by 6.14%, and increased
time efficiency by 47.15%.
- Abstract(参考訳): 医療需要が増加し、機械学習技術が進歩するにつれ、AIベースの診断・治療システムが注目を集めている。
医療勧告は、患者の長期医療記録と医療知識を統合することを目的としており、特定の疾患に対する正確性と安全な薬剤の組み合わせを推奨している。
しかし、既存の研究の多くは、薬と疾患の多様性を見越して、従来の推奨システムの変種としてのみ薬の推奨システムを扱っている。
この課題に対処するため,我々は薬剤推奨フレームワークであるdgmedを提案する。
dgmedは因果推論を利用して医療機関間のつながりを解明し、異質性問題に取り組むための革新的な特徴アライメント手法を提案する。
本研究は、まず因果推論を応用して、特定の疾患に対する薬物の定量化による治療効果を分析し、医療機関間の潜在的な関連を明らかにする。
その後、分子レベルの知識を統合し、薬物や疾患の分子空間への埋め込みを調整し、その多様性に効果的に取り組む。
究極的には,エンティティレベルでの関係性に基づき,薬の推奨確率を適応的に調整し,患者の現在の健康状態に応じて薬の組み合わせを推奨する。
実世界のデータセットを用いた実験結果から,提案手法は4つの評価指標において既存の最先端基準を超越し,精度と安全性の両面において優れた性能を示した。
サブ最適モデルと比較して精度は4.40%向上し,副作用のリスクは6.14%減少し,時間効率は47.15%向上した。
関連論文リスト
- StratMed: Relevance Stratification between Biomedical Entities for
Sparsity on Medication Recommendation [9.296433860766165]
StratMedは、長い尾の問題を克服し、スパースデータの完全な学習を実現する成層戦略である。
また、薬品の組み合わせの安全性と正確性に関する相互制約の問題に対処するために、デュアルプロパティネットワークを利用する。
本モデルでは,安全性リスクを15.08%削減し,精度を0.36%向上し,トレーニング時間消費を81.66%削減する。
論文 参考訳(メタデータ) (2023-08-31T14:59:32Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-01-14T15:07:43Z) - Phenotype Detection in Real World Data via Online MixEHR Algorithm [9.385112439570412]
教師なし表現型アルゴリズムmixEHRをオンラインバージョンに拡張し、桁違いの大きなデータセットで使用できるようにしました。
これまでに観察された疾患群の再カプセル化に加えて,臨床的に有意な疾患のサブタイプとコンコービデンスも見いだした。
本研究は, 効果的な教師なし学習方法, 既存の臨床知識の強化, 臨床医との効果的なコラボレーションのための有望なアプローチである。
論文 参考訳(メタデータ) (2022-11-14T17:14:39Z) - Knowledge-Driven New Drug Recommendation [88.35607943144261]
既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。
EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。
その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
論文 参考訳(メタデータ) (2022-10-11T16:07:52Z) - Conditional Generation Net for Medication Recommendation [73.09366442098339]
医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。
医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。
提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-02-14T10:16:41Z) - Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。
医療対話生成のためのエンドツーエンドの変分推論手法を提案する。
行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
論文 参考訳(メタデータ) (2021-05-13T04:14:35Z) - A standardized framework for risk-based assessment of treatment effect
heterogeneity in observational healthcare databases [60.07352590494571]
本研究の目的は,この手法を標準化されたスケーラブルなフレームワークを用いて観測環境に拡張することであった。
アンジオテンシン変換酵素阻害薬(ACE)とβ阻害薬の3つの効果と6つの安全性に対する効果を評価することにより,我々の枠組みを実証する。
論文 参考訳(メタデータ) (2020-10-13T14:48:31Z) - PREMIER: Personalized REcommendation for Medical prescrIptions from
Electronic Records [8.365167718547296]
われわれは、PreMIERと呼ばれる2段階の注意に基づくパーソナライズド医薬品レコメンデーションシステムを設計する。
本システムでは,患者に対する副作用を最小限に抑えるため,薬物間の相互作用を考慮に入れている。
MIMIC-IIIと独自の外来データセットの実験結果から、PreMIERは最先端の医薬品推奨システムより優れていることが示された。
論文 参考訳(メタデータ) (2020-08-28T04:48:32Z) - Reinforcement learning and Bayesian data assimilation for model-informed
precision dosing in oncology [0.0]
現在の戦略はモデルインフォームドドッキングテーブルで構成されている。
ベイジアンデータ同化と/または強化学習を併用したMIPDのための新しい3つのアプローチを提案する。
これらのアプローチは、致命的グレード4と治療下グレード0のニュートロピーの発生を著しく減少させる可能性がある。
論文 参考訳(メタデータ) (2020-06-01T16:38:27Z) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳(メタデータ) (2020-05-07T16:13:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。