通过融合频繁出现的医疗模式和时间序列医疗记录来提供无偏见的药物推荐

《Neural Networks》：Debiased medication recommendation through fusing frequent pattern and temporal medical records

李小波|侯晓迪|王思淼|王世龙|张晓坤|张一佳

摘要

药物推荐系统在医疗领域受到了广泛关注，其目标是根据患者的健康状况提供精确且个性化的药物处方。然而，现有方法难以处理药物处方的分布不均衡问题，因为模型往往偏向于常用药物，从而影响了对罕见药物的预测准确性。为了解决这些局限性，我们提出了一个无偏药物推荐网络（DMRNet），以提高处方制定的公平性和准确性。具体而言，DMRNet引入了两项关键创新：（1）一种频繁模式挖掘算法，该算法整合多种药物组合，通过利用多样的频率模式来平衡药物分布；（2）一种药物重新校准机制，通过选择性地融合患者的用药历史记录来增强对低频药物的推荐。为了进一步提高推荐准确性，我们设计了一种跨视图药物预测机制，从多个角度捕捉患者与药物之间的相互作用。在两个基准数据集上的实验结果表明，DMRNet取得了先进的性能，特别是将PRAUC指标提高了1.26%和2.83%。我们的模型代码可在以下链接获取：https://github.com/Lxb0102/DMRNet。