Med-MIMIC，持续分享MIMIC临床生信文献与思路解读，捕捉当下热点思路，感兴趣的老师可以点点关注~需要定制化分析的老师欢迎扫码联系~
文章标题：MGRN: toward robust drug recommendation via multi-view gating retrieval network
中文标题：MGRN：通过多视图门控检索网络实现稳健的药物推荐
发表期刊：Bioinformatics.
发表时间：2024年10月
影响因子：4.4/Q1
药物推荐旨在根据患者的健康状况从电子健康记录中分配安全有效的药物组合，这对于协助临床医生做出决策至关重要。然而，现有的药物推荐工作面临两个关键挑战：（i） 难以充分表现患者的健康状况，导致药物表现有偏见;（ii） 只关注多次就诊的诊断表示，而忽略了患者用药史的建模。为了解决上述限制，我们提出了一种多视图门控检索网络 （MGRN） 以实现稳健的药物推荐。
数据集和评价指标
重症监护医疗信息市场 （MIMIC） 数据集包括患者的临床数据，我们基于两个数据集进行实验，即 MIMIC-III 和 MIMIC-IV 。
我们利用 DDI 率、Jaccard 相似性评分 （Jaccard）、平均 F1 （F1） 和精确率召回 AUC （PRAUC） 作为我们的评价指标来评估我们提出的模型的准确性和有效性。
方法
MGRN 由三个部分组成：嵌入层、MPI 模块和药物表示 （DR） 模块。嵌入层将标记投影到诊断和过程集中{𝐷𝑡}𝑇𝑡=1，并{𝑃𝑡}𝑇𝑡=1投影到嵌入空间中。MPI 设计了访问、序列和令牌级别的视图，以提供患者与药物之间相互作用的不同视角，从而获得更全面的 DR。DR 设计了一个门控药物检索策略，选择对当前就诊有意义的可重复使用的药物，然后通过聚合模块获得最终的药物组合。
结果分析
1. 总体比较
表 1 分别显示了基于 MIMIC-III 和 MIMIC-IV 数据集的所有方法的结果。我们对模型进行了五轮测试，并提供了其指标分数的平均值和标准差。我们提出的 MGRN 模型超越了所有关于较高 Jaccard 、 PRAUC 和 F1 分数的比较方法。
2. 消融实验
我们设计了多个 MGRN 变体模型，并在 MIMIC-III 和 MIMIC-IV 数据集上进行了实验，结果如表 2 所示。实验结果表明，当仅删除或使用特定视图进行患者与药物相互作用时，药物推荐性能会降低。MGRN w/O GDR 的结果表明，既往药物也有助于最终推荐的性能。总体而言，完整的 MGRN 优于所有消融模型，这意味着我们模型的每个模块都有价值。
3. 历史访问次数的影响
为了进一步分析我们的 MGRN 是否可以更有效地捕获历史药物数据，我们探讨了患者就诊次数如何影响各种模型的性能。我们关注测试集中每位患者的前 5 次就诊，因为大多数 MIMIC 患者就诊的次数少于 5 次。为了进行比较，我们分析了三个最强的基线，即 GAMENet 、 Safedrug 和 DGCL，它们也整合了历史信息。
4. 鲁棒性分析
5. 案例研究
我们利用图 5 进行简洁的显示。在图 5 和补充表 S3 中，“missed” 表示在基本事实中但未预测的药物，而 “wrong” 是指模型预测但不在基本事实中的药物，“命中”下的药物是模型预测的真实标签。
文章小结
我们建议使用 MGRN 进行稳健的药物推荐。我们设计了访问、序列和令牌级别的视图，以提供患者与药物之间相互作用的不同视角，从而获得更全面的药物表示。此外，我们开发了一个门控药物检索模块，从多次就诊中捕获关键药物信息，这有助于为当前就诊推荐更合理的药物组合。今天为大家分享的文章纯公共数据挖掘+统计分析，就发到了一区！如果你也想在临床方向发高分文章，不妨试试这个省钱省事又省力的思路吧！
