論文の概要: DNMDR: Dynamic Networks and Multi-view Drug Representations for Safe Medication Recommendation

• arxiv url: http://arxiv.org/abs/2501.08572v1
• Date: Wed, 15 Jan 2025 04:36:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-16 15:52:40.172158
• Title: DNMDR: Dynamic Networks and Multi-view Drug Representations for Safe Medication Recommendation
• Title（参考訳）: DNMDR:安全な医療勧告のための動的ネットワークとマルチビュードラッグ表現
• Authors: Guanlin Liu, Xiaomei Yu, Zihao Liu, Xue Li, Xingxu Fan, Xiangwei Zheng,
• Abstract要約: 本稿では、動的ネットワークとマルチビュードラッグ表現(DNMDR)を統合した新しい医薬勧告(MR)手法を提案する。 DNMDR法は,PRAUC, Jaccard, DDIレートなど,様々な指標において,最先端のベースラインモデルよりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 9.504676133698895
• License:
• Abstract: Medication Recommendation (MR) is a promising research topic which booms diverse applications in the healthcare and clinical domains. However, existing methods mainly rely on sequential modeling and static graphs for representation learning, which ignore the dynamic correlations in diverse medical events of a patient's temporal visits, leading to insufficient global structural exploration on nodes. Additionally, mitigating drug-drug interactions (DDIs) is another issue determining the utility of the MR systems. To address the challenges mentioned above, this paper proposes a novel MR method with the integration of dynamic networks and multi-view drug representations (DNMDR). Specifically, weighted snapshot sequences for dynamic heterogeneous networks are constructed based on discrete visits in temporal EHRs, and all the dynamic networks are jointly trained to gain both structural correlations in diverse medical events and temporal dependency in historical health conditions, for achieving comprehensive patient representations with both semantic features and structural relationships. Moreover, combining the drug co-occurrences and adverse drug-drug interactions (DDIs) in internal view of drug molecule structure and interactive view of drug pairs, the safe drug representations are available to obtain high-quality medication combination recommendation. Finally, extensive experiments on real world datasets are conducted for performance evaluation, and the experimental results demonstrate that the proposed DNMDR method outperforms the state-of-the-art baseline models with a large margin on various metrics such as PRAUC, Jaccard, DDI rates and so on.
• Abstract（参考訳）: メディケーション・レコメンデーション(MR)は、医療分野や臨床分野における多様な応用を盛り上げる、有望な研究テーマである。 しかし、既存の方法は主に、患者の時間的訪問の多様な医療イベントにおけるダイナミックな相関を無視し、ノードのグローバルな構造探索が不十分な、表現学習のためのシーケンシャルなモデリングと静的グラフに依存している。 さらに、薬物・薬物相互作用(DDI)の緩和は、MRシステムの実用性を決定する別の問題である。 本稿では,動的ネットワークとマルチビュードラッグ表現(DNMDR)を統合した新しいMR法を提案する。 具体的には、動的異種ネットワークのための重み付けスナップショットシーケンスを、時間的EHRにおける個別の訪問に基づいて構築し、すべての動的ネットワークは、多様な医療イベントにおける構造的相関と、歴史的健康状態における時間的依存の両方を得るように共同で訓練し、意味的特徴と構造的関係の両方で包括的患者表現を実現する。 さらに、薬物分子構造の内部ビューと薬物対の対話ビューにおいて、薬物共起と有害薬物-薬物相互作用(DDI)を組み合わせることにより、安全な薬物表現が得られ、高品質な薬物組み合わせの推奨が得られる。 最後に、実世界のデータセットに関する広範な実験を行い、提案手法がPRAUC、Jaccard、DDIレートなどの様々な指標に対して、最先端のベースラインモデルよりも優れていることを示す。

関連論文リスト

• CMINNs: Compartment Model Informed Neural Networks -- Unlocking Drug Dynamics [1.7614751781649955]
  本稿では,PKとPK-PDモデリングを統合した革新的な手法を提案する。 提案手法は物理インフォームドニューラルネットワーク(PINN)と分数物理インフォームドニューラルネットワーク(fPINN)を用いる。 その結果、この手法は、薬物吸収率と分散遅延応答のモデル描写を著しく強化する堅牢なフレームワークを提供することを示した。
  論文  参考訳（メタデータ） (2024-09-19T15:01:33Z)
• RGDA-DDI: Residual graph attention network and dual-attention based framework for drug-drug interaction prediction [4.044376666671973]
  薬物・薬物相互作用予測のための残留グラフ注意ネットワーク(Residual-GAT)とデュアルアテンションベースのフレームワークであるRGDA-DDIを提案する。 一連の評価指標は、RGDA-DDIが2つの公開ベンチマークデータセット上でのDDI予測性能を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2024-08-27T17:13:56Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Enhancing Acute Kidney Injury Prediction through Integration of Drug Features in Intensive Care Units [0.0]
  急性腎障害(AKI)予測と腎障害薬との関連は, 治療現場ではまだ検討されていない。 そこで本研究では,患者処方データをモダリティとして活用し,既存のAKI予測モデルを改善する手法を提案する。
  論文  参考訳（メタデータ） (2024-01-09T05:42:32Z)
• Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network [69.16939798838159]
  本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。 EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。 全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
  論文  参考訳（メタデータ） (2023-11-15T06:34:00Z)
• C^2M-DoT: Cross-modal consistent multi-view medical report generation with domain transfer network [67.97926983664676]
  ドメイン転送ネットワーク(C2M-DoT)を用いたクロスモーダルなマルチビュー医療レポート生成を提案する。 C2M-DoTは、すべてのメトリクスで最先端のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2023-10-09T02:31:36Z)
• ADRNet: A Generalized Collaborative Filtering Framework Combining Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction [49.56476929112382]
  逆薬物反応(ADR)予測は、医療と薬物発見において重要な役割を果たす。 ADRNetは、臨床データと非臨床データを組み合わせた一般的な協調フィルタリングフレームワークである。
  論文  参考訳（メタデータ） (2023-08-03T11:28:12Z)
• Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
  DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。 MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。 総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
  論文  参考訳（メタデータ） (2022-03-28T05:44:29Z)
• Multiple Similarity Drug-Target Interaction Prediction with Random Walks and Matrix Factorization [16.41618129467975]
  我々は、異なるレイヤが薬物と標的の異なる類似度メトリクスに対応する、多層ネットワークの視点を捉えている。 複数のビューでキャプチャされたトポロジ情報を完全に活用するために,DTI予測のための最適化フレームワーク MDMF を開発した。 このフレームワークは、すべての超分子層にまたがる高次近接を維持するだけでなく、内部積との相互作用を近似する薬物や標的のベクトル表現を学習する。
  論文  参考訳（メタデータ） (2022-01-24T08:02:05Z)
• Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
  複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。 本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。 実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
  論文  参考訳（メタデータ） (2021-10-07T14:03:00Z)
• Deep sr-DDL: Deep Structurally Regularized Dynamic Dictionary Learning to Integrate Multimodal and Dynamic Functional Connectomics data for Multidimensional Clinical Characterizations [5.200461964737113]
  静止機能MRI(r-fMRI)接続と拡散テンソルイメージング(DTI)トラクトグラフィーから補完情報を共同でモデル化する新しい統合フレームワークを提案する。 本フレームワークは,コネクトロミクスデータの生成モデルと,行動スコアを予測するディープネットワークを結合する。 我々のハイブリッドモデルは、臨床結果予測における最先端のアプローチよりも優れており、脳組織の解釈可能なマルチモーダルニューラルシグネチャを学習する。
  論文  参考訳（メタデータ） (2020-08-27T23:43:56Z)

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。