論文の概要: HADRec: A Hierarchy-Aware Drug Recommendation Framework by Fusing Molecular Knowledge and Electronic Health Record

• arxiv url: http://arxiv.org/abs/2610.00984v1
• Date: Thu, 01 Oct 2026 03:20:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.877564
• Title: HADRec: A Hierarchy-Aware Drug Recommendation Framework by Fusing Molecular Knowledge and Electronic Health Record
• Title（参考訳）: 分子知識と電子健康記録を融合した階層型医薬品推薦フレームワークHADRec
• Abstract要約: HADRecは、分子知識と電子健康記録を統合する階層型医薬品勧告フレームワークである。 Jaccard、F1、PR-AUCで最先端のパフォーマンスを実現している。 これらの結果は、HADRecを、安全で信頼性の高いAI駆動の医薬品推奨への高性能、解釈可能、臨床に根ざした経路として確立する。
• 参考スコア（独自算出の注目度）: 15.092790142993188
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate medication recommendation is central to clinical decision-making, directly determining therapeutic efficacy and patient safety. However, existing methods suffer from two key limitations: drugs are often abstracted as discrete tokens, ignoring their molecular structures and pharmacological mechanisms, and the commonly used "flat" recommendation paradigm fails to leverage the hierarchical logic of the internationally standardized Anatomical Therapeutic Chemical (ATC) classification system. To address these issues, we propose HADRec, a Hierarchy-Aware Drug Recommendation framework that integrates molecular knowledge with electronic health records (EHRs). HADRec employs LLaMA-7B to encode clinical notes for rich patient representations and ChemBERTa to encode drug Simplified Molecular Input Line Entry System strings, building a global molecular knowledge base. A cross-attention mechanism then performs deep multimodal fusion between patient states and drug features. The framework further incorporates a hierarchical predictor and a novel consistency constraint loss to enforce strict adherence to ATC logical dependencies. Extensive experiments on MIMIC-III demonstrate that HADRec achieves state-of-the-art performance across Jaccard, F1, and PR-AUC. External validation on MIMIC-IV confirms strong generalization under distribution shifts, and calibration analysis shows well-calibrated predictive confidence on MIMIC-IV with ECE = 0.04, and Brier = 0.06. Counterfactual evaluation reveals clinically aligned reasoning, disentangling disease-specific treatments from general care. Together, these results establish HADRec as a high-performance, interpretable, and clinically grounded pathway toward safe and reliable AI-driven medication recommendation.
• Abstract（参考訳）: 正確な薬剤推奨は、治療効果と患者の安全性を直接判定する、臨床的意思決定の中心である。 しかしながら、既存の方法には2つの重要な制限がある: 薬は、しばしば離散トークンとして抽象化され、分子構造や薬理学的メカニズムを無視し、一般的に使用される「フラット」推奨パラダイムは、国際的に標準化された解剖学的治療化学(ATC)分類システムの階層論理を活用できない。 これらの課題に対処するため,分子知識と電子健康記録(EHR)を統合する階層型医薬品勧告フレームワークHADRecを提案する。 HADRecはLLaMA-7Bを用いて、リッチな患者表現のための臨床ノートをエンコードし、ChemBERTaは、単純化された分子入力ライン入力システム文字列をエンコードし、グローバルな分子知識基盤を構築する。 次に、クロスアテンション機構は、患者の状態と薬物の特徴との間の深いマルチモーダル融合を行う。 このフレームワークはさらに、階層的予測器と新しい一貫性制約損失を組み込んで、ATC論理的依存関係の厳格な遵守を強制する。 MIMIC-IIIの大規模な実験は、HADRecがJaccard、F1、PR-AUCをまたいで最先端のパフォーマンスを達成することを示した。 MIMIC-IVの外部検証は、分布シフトの下での強い一般化を確認し、キャリブレーション解析により、ECE = 0.04 と Brier = 0.06 でMIMIC-IVの精度の高い予測信頼度を示す。 臨床的に整合性があり、一般的な治療から疾患特異的な治療を遠ざけている。 これらの結果は、HADRecを、安全で信頼性の高いAI駆動の医薬品推奨へのハイパフォーマンス、解釈可能、臨床的に根拠付けられた経路として確立する。

関連論文リスト

• DrugReason: Dynamic Multi-View Reasoning over Knowledge Graph and Language Evidence for Drug Repurposing [55.45112712244231]
  DrugReasonはマルチビュー推論フレームワークであり、LLMが生成する薬物再精製の機械的推論と接地KG推論を統合している。 PharmaDB, DDInter, DrugBankの実験によると、DragonReasonは強力な単一ビュー推論ベースラインよりも平均的なパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2026-09-06T18:54:26Z)
• GRAIN: Molecules Are Not the Right Granularity -- Active-Ingredient Modeling for Safe Medication Recommendation [2.26215287738502]
  電子健康記録からの薬剤の推奨は、多薬効下での有害薬物・薬物相互作用(DDI)のリスクに対する予測精度のバランスをとる必要がある。 有効成分は、粒度の不足であり、その周辺に構築された医薬品推奨フレームワークであるGRAINを導入している。 GRAINは、長い不規則な訪問シーケンスを線形時間で処理する選択的な状態空間バックボーンで、縦方向の患者軌跡(診断、手順、過去の薬品)を符号化する。
  論文  参考訳（メタデータ） (2026-07-30T18:13:30Z)
• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• Dual-Pathway Fusion of EHRs and Knowledge Graphs for Predicting Unseen Drug-Drug Interactions [5.481037938702276]
  薬物と薬物の相互作用(DDI)は予防可能な害の主要な原因である。 我々は,患者レベル EHR の文脈に基づいて,KG 関係のスコアリングを条件付ける最初のシステムを紹介した。 融合"Teacher"は、両方のソースに表される薬物対のメカニズム固有の関係を学習する。 蒸留された「Student」は、推論時にKGアクセスのない新規または稀に使用される薬物に一般化する。
  論文  参考訳（メタデータ） (2025-11-10T03:18:16Z)
• A Hybrid Computational Intelligence Framework with Metaheuristic Optimization for Drug-Drug Interaction Prediction [0.8602553195689512]
  薬物と薬物の相互作用(DDI)は予防可能な有害事象の主要な原因であり、しばしば治療を複雑にし、医療費を増大させる。 本稿では、DDI予測を改善するために、現代の機械学習とドメイン知識を融合した解釈可能かつ効率的なフレームワークを提案する。 提案手法は, フラグメントレベルの構造パターンをキャプチャする Mol2Vec と, 文脈化学的特徴を学習する SMILES-BERT の2つの補完的な埋め込みを組み合わせる。
  論文  参考訳（メタデータ） (2025-10-08T09:55:18Z)
• Ontology-based Semantic Similarity Measures for Clustering Medical Concepts in Drug Safety [0.0]
  6つの意味的類似度尺度 (SSMs) を薬物安全性データに分類し, MedDRA 優先用語 (PTs) のクラスタリングについて検討した。 特にINTRINSIC-LINとSokaLでは,クラスタリングの精度が向上した。 本研究は,早期信号検出の改善と手動による評価の低減により,ICベースのSSMの薬剤移動性向上に寄与することが示唆された。
  論文  参考訳（メタデータ） (2025-03-26T17:19:00Z)
• 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)
• DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise Annotations [90.27736364704108]
  我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。 DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。 我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
  論文  参考訳（メタデータ） (2022-01-24T12:32:48Z)

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。