关键词:
临床决策支持
电子医疗记录
药物推荐
表示向量学习
摘要:
临床决策支持系统作为学术界与临床医疗领域的研究热点,相关研究成果对于提升诊疗效率以及应对医疗资源分布和社会老龄化等问题带来的诸多挑战均具有重要研究意义。药物推荐作为临床决策支持系统中的重要一环,旨在以病人临床健康状况为依据,生成药物处方作为医生的决策参考,从而帮助医护人员应对复杂多变的病情变化,提升医疗服务体系的整体效能。与此同时,电子医疗记录(Electronic Healthcare Records,EHRs)系统的广泛应用,为包括药物推荐在内的临床决策研究提供了充足的数据。EHRs数据记录了病人住院期间的疾病诊断结果、手术操作以及药物使用情况等多种信息,详细描述了病人临床健康状况的变化过程,其中所蕴含的病人临床信息是开展药物推荐的直接依据。基于EHRs数据进行有效药物推荐的关键,在于借助EHRs表示向量学习方法构建能够准确表达病人健康状况的EHRs表示向量,从而为药物推荐提供可靠依据。因此,EHRs表示向量学习方法的性能,直接决定了所生成药物处方能否作为医护人员的可靠临床决策参考,被用于协助医生提升诊疗效率。
借助深度学习方法开展的EHRs表示向量学习能够进行面向数据的自动化特征提取,避免了传统方法人为开展特征创建与选择过程中所耗费的大量时间与人力成本,已经成为近年来国内外的研究热点。但是,现有方法对于不同病人个体特征之间的差异考虑不充分,通常将所有病人作为单一群体,采取统一模式开展EHRs表示向量学习。同时,对于外部临床知识的使用,所采取的策略是从其中提取相关特征后将其作为输入数据的一部分,没有借助这些知识在EHRs表示向量学习过程中考虑不同医疗实体之间的影响,与真实临床环境中临床知识的利用形式存在差异。本文深入研究了药物推荐所涉及的不同关键问题对于EHRs表示向量学习的影响,针对现有方法存在的问题与不足提出相应解决策略,开展了如下研究工作:
(1)针对部分药物相互反应后引起副作用的问题,提出了一种能够以指定性质为导向对EHRs表示向量进行对抗正则的学习算法,通过降低推荐结果中发生相互反应的药物组合所占比例,提升所生成药物处方的安全性。该算法使用特征空间中与期望的安全药物推荐结果相关联的分布作为真实数据来源,同时将所有病人的EHRs表示向量作为虚假数据,借助生成对抗网络对EHRs表示向量进行对抗式正则,通过对其在特征空间中分布的修正,降低推荐结果中会发生相互反应的药物组合所占比例,达到消解药物副作用的目的。基于病人真实临床数据开展的实验显示,相较于用于对比的其他药物推荐模型,所提出的算法能够在Jaccard、PRAUC以及F1三项指标上取得更加优异的表现,并且将推荐结果中会引起副作用的药物组合占比率降低了5.76%至13.15%。
(2)针对序列式推荐过程中药物疗效作用于人体后的EHRs表示向量学习问题,提出了一种结合药物异构势能的序列决策算法。该算法基于不同药物在病人群体中被组合使用的情况构建图数据,并通过计算图中各节点的拓扑势能,获取不同药物对于整个病人群体的全局适用程度和重要性。同时,算法针对每个病人开展集合式药物推荐,获取药物对应于当前病人的推荐概率作为概率势能,以反映不同药物对于当前病人健康状况的本地适用程度和重要性。两种异构势能结合后,将一同作为对病人药物集合进行排序的依据,构建用于开展序列式推荐的监督信息,从而使得模型可以考虑已推荐药物对于病人健康状况的影响,生成有效药物处方。使用病人真实临床数据所开展的药物推荐实验显示,所提出算法在序列式推荐各阶段均取得了优于对比方法的推荐准确率。不同序列决策方法之间的对比也显示,基于药物异构势能生成监督序列信息的方法相比于次优方法在Jaccard与F1两项指标上取得了15.72%与9.67%的提升。
(3)针对历史EHRs数据读取过程中的重要数据筛选问题,提出了选择性覆盖度机制与自适应数据读取相结合的表示向量学习算法。该算法使用记忆神经网络对历史EHRs数据编码结果进行存储后,在依据临床相似性从中读取参考信息的过程中,借助覆盖度信息对数据进行筛选并对注意力权重分布进行调整,保证其能合理地分散于所选定的重要数据范围内。同时,算法依据病人个体信息自适应地决定其对应的记忆神经网络多跳读取次数,避免因过度读取造成的信息冗余以及因读取不足导致的信息缺失对于EHRs表示向量学习的消极影响。基于病人真实临床数据开展的药物推荐实验显示,所提出算法在Jaccard、PRAUC以及F1三项指标上取得了优于对比方法的表现。同时,统计结果显示不同病人对应的记忆神经网络最佳读取次数为1到14次不等,验证了自适应决定每一名病人记忆神经网络多跳读取次数的必要性。
(4)针对外部临床知识以及相似病人共享特征的提取与利用问题,提出了一种结合医疗实体临床关系引导与全局特征辅助的学习算法。该算法