論文の概要: User-Adaptive Meta-Learning for Cold-Start Medication Recommendation with Uncertainty Filtering

• arxiv url: http://arxiv.org/abs/2601.22820v1
• Date: Fri, 30 Jan 2026 10:45:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.393373
• Title: User-Adaptive Meta-Learning for Cold-Start Medication Recommendation with Uncertainty Filtering
• Title（参考訳）: 不確かさフィルタリングによるコールドスタート医療勧告のためのユーザ適応型メタラーニング
• Authors: Arya Hadizadeh Moghaddam, Mohsen Nayebi Kerdabadi, Dongjie Wang, Mei Liu, Zijun Yao,
• Abstract要約: そこで我々は,患者の冷え込み問題に対処するための多段階不確実性を考慮したメタラーニングフレームワーク,MetaDrugを提案する。 我々はMIMIC-IIIとAKI(Area Kidney Injury)データセットに対するアプローチを評価した。 両方のデータセットの実験結果から、MetaDrugは、コールドスタート患者に対する最先端の薬剤推奨法を一貫して上回っていることが示された。
• 参考スコア（独自算出の注目度）: 20.122129483735723
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale Electronic Health Record (EHR) databases have become indispensable in supporting clinical decision-making through data-driven treatment recommendations. However, existing medication recommender methods often struggle with a user (i.e., patient) cold-start problem, where recommendations for new patients are usually unreliable due to the lack of sufficient prescription history for patient profiling. While prior studies have utilized medical knowledge graphs to connect medication concepts through pharmacological or chemical relationships, these methods primarily focus on mitigating the item cold-start issue and fall short in providing personalized recommendations that adapt to individual patient characteristics. Meta-learning has shown promise in handling new users with sparse interactions in recommender systems. However, its application to EHRs remains underexplored due to the unique sequential structure of EHR data. To tackle these challenges, we propose MetaDrug, a multi-level, uncertainty-aware meta-learning framework designed to address the patient cold-start problem in medication recommendation. MetaDrug proposes a novel two-level meta-adaptation mechanism, including self-adaptation, which adapts the model to new patients using their own medical events as support sets to capture temporal dependencies; and peer-adaptation, which adapts the model using similar visits from peer patients to enrich new patient representations. Meanwhile, to further improve meta-adaptation outcomes, we introduce an uncertainty quantification module that ranks the support visits and filters out the unrelated information for adaptation consistency. We evaluate our approach on the MIMIC-III and Acute Kidney Injury (AKI) datasets. Experimental results on both datasets demonstrate that MetaDrug consistently outperforms state-of-the-art medication recommendation methods on cold-start patients.
• Abstract（参考訳）: 大規模電子健康記録(EHR)データベースは、データ駆動治療レコメンデーションを通じて臨床意思決定を支援するのに欠かせないものとなっている。 しかしながら、既存の薬剤推奨手法は、患者プロファイルに十分な処方歴が欠如しているため、新しい患者に対する推奨が信頼できない、ユーザー(すなわち、患者)のコールドスタート問題に苦しむことが多い。 先行研究では、薬理学的・化学的関係を通じて医療概念を結びつけるために医療知識グラフを使用してきたが、これらの手法は主に、患者の個々の特性に適応するパーソナライズされたレコメンデーションの提供において、アイテムコールトスタートの問題を緩和することに焦点を当てている。 メタラーニングは、リコメンデータシステムで疎いインタラクションで新しいユーザーを扱うことを約束している。 しかし、そのEHRへの応用は、EHRデータのユニークなシーケンシャルな構造のため、未解明のままである。 これらの課題に対処するために,患者が推奨するコールドスタート問題に対処するためのマルチレベル不確実性を考慮したメタラーニングフレームワークであるMetaDrugを提案する。 MetaDrugは、自己適応(self-adaptation)を含む新しい2段階のメタ適応機構を提案し、これは、自身の医療イベントを、時間的依存を捉えるためのサポートセットとして、新しい患者にモデルを適用すること、そして、ピア適応( peer-adaptation)は、ピア患者からの同様の訪問を使用して、新しい患者の表現を豊かにする。 一方,メタ適応の結果をさらに改善するために,サポート訪問のランク付けを行う不確実な定量化モジュールを導入し,非関連情報を適応整合性のためにフィルタリングする。 我々はMIMIC-IIIとAKI(Area Kidney Injury)データセットに対するアプローチを評価した。 両方のデータセットの実験結果から、MetaDrugは、コールドスタート患者に対する最先端の薬剤推奨法を一貫して上回っていることが示された。

関連論文リスト

• ARMR: Adaptively Responsive Network for Medication Recommendation [1.354560757162539]
  メディケーション・レコメンデーション(ARMR)のための適応応答型ネットワークを提案する。 ARMRは,1)最近の患者と遠隔患者の経過を区別し,よりニュアンスな時間的理解を可能にし,2)患者の現在の健康状態と治療歴に基づいて,新規および既存の薬物に注意を向ける適応的応答性メカニズムを具体化したものである。 MIMIC-IIIとMIMIC-IVデータセットの実験では、ARMRは異なる評価基準における最先端のベースラインよりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-07-06T15:24:00Z)
• Natural Language-Assisted Multi-modal Medication Recommendation [97.07805345563348]
  NLA-MMR(Natural Language-Assisted Multi-modal Medication Recommendation)を紹介する。 NLA-MMRは、患者視点から知識を学習し、医薬視点を共同で学習するために設計されたマルチモーダルアライメントフレームワークである。 本稿では,プレトレーニング言語モデル(PLM)を用いて,患者や医薬品に関するドメイン内知識を抽出する。
  論文  参考訳（メタデータ） (2025-01-13T09:51:50Z)
• Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
  本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。 入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。 稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
  論文  参考訳（メタデータ） (2024-03-26T14:36:22Z)
• 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)
• RECAP-KG: Mining Knowledge Graphs from Raw GP Notes for Remote COVID-19 Assessment in Primary Care [45.43645878061283]
  本稿では,患者相談の前後に書かれた生のGP医療ノートから知識グラフ構築を行うフレームワークを提案する。 私たちの知識グラフには、既存の患者の症状、その持続時間、重症度に関する情報が含まれています。 本フレームワークを英国における新型コロナウイルス患者の相談ノートに適用する。
  論文  参考訳（メタデータ） (2023-06-17T23:35:51Z)
• 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)

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。