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：DrugDoctor: enhancing drug recommendation in cold-start scenario via visit-level representation learning and training
中文标题：DrugDoctor：通过访问级表示学习和培训，在冷启动场景中增强药物推荐
发表期刊：Brief Bioinform.
发表时间：2024年9月
影响因子：6.8/Q1
药物推荐是人工智能在医疗保健中的重要应用。目前的方法主要依赖于患者层面的纵向表示，它利用整个历史电子健康记录进行预测。然而，他们往往忽略了几个关键要素：（1） 需要分析过去的药物对以前的疾病的影响。（2） 患者就诊的相似性比患者完整病史中的相似性更常见。（3） 由于就诊次数不同，很难准确表示患者水平的纵向数据。据我们所知，目前的模型在处理临床实践中常见的初次患者就诊（即在冷启动情况下）时面临困难。
思路
我们设计了一个即插即用的模块，以有效捕获药物亚结构感知的疾病信息和有效性感知的药物信息，采用交叉注意和多头自我注意机制。此外，DrugDoctor 采用了全新的就诊级别培训策略，与医生的实践更加紧密地保持一致。在 MIMIC-III 和 MIMIC-IV 数据集上进行的广泛实验表明，DrugDoctor 在 Jaccard、F1 评分和 PRAUC 方面优于其他 10 种最先进的方法。
数据集和指标
为了验证 DrugDoctor 的有效性，我们收集了 6350 例 MIMIC-III 患者的 15 032 份住院记录 和 MIMIC-IV 的 9862 例患者的 23 525 份住院记录 。每个数据集通常使用Inline graphic比率分为训练集、验证集和测试集。
结果分析
1. 性能比较
我们提出的 DrugDoctor 优于所有基线，具有更高的 Jaccard、F1 和 PRAUC 评分，同时保持相对较低的 DDI 率。在基线中，LR、ECC 和 LEAP 的预测性能较差，因为它们只考虑当前就诊中的患者信息。另一方面，考虑患者病史的纵向方法取得了相对较好的表现。MICRON 通过预测更少的药物来实现更高的性能和更低的 DDI 率。SafeDrug 和 MoleRec 都结合了药物的分子表示，并采用特定的 DDI 控制策略来自适应地平衡预测药物的准确性和安全性。
2. 模型验证
此外，为了进一步研究 COGNet、SHAPE 和 DrugDoctor 的稳健性，我们对不同就诊次数的患者进行了实验。更具体地说，我们选择了具有特定就诊次数的患者，并对选定的患者进行了实验，以评估模型在不同场景下的表现。
3. 特定就诊患者的性能
图 4 和图 5 都表明，当就诊次数发生变化时，DrugDoctor 表现出显著的稳健性。有两个重要的观察结果：首先，DrugDoctor 的性能明显优于 COGNet 和 SHAPE，尤其是在处理新患者时。这表明 DrugDoctor 有效地解决了冷启动问题。其次，当就诊次数为 2 时，所有模型在图 4 中都达到了最高性能，这可能是由于 MIMIC-III 中就诊两次的患者比例远高于其他模型。
4. 案例研究
为了直观地说明 DrugDoctor 相对于 COGNet 和 SHAPE 的优势，我们随机抽样了几个示例案例并分析了它们的预测结果。为了验证 DrugDoctor 在更复杂的临床场景中的能力，我们从 MIMIC-IV 测试集中随机抽样了一名患者（称为患者 B），进行了四次医院就诊。模型为患者 B 推荐的结果如图 6 所示。DrugDoctor 在第一次、第二次和第四次就诊中取得了最佳表现。
文章小结
本研究论文提出了 DrugDoctor，这是一种模拟人类医生决策过程的新型药物推荐模型。与以前的方法不同，我们引入了 CA-MHSA 阻滞，它探索了药物亚结构感知的疾病信息和有效性感知的药物信息。此外，我们还实现了精细的数据集分割，首次实现了访问级别的模型训练。跨各种数据集的广泛实验证实了 DrugDoctor 与其他方法相比的卓越性能，以及它在处理不同就诊次数的患者方面的稳健性。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！
