摘要

现有的药物组合推荐方法，要么没有根据患者的健康史进行定制，要么忽略了可能导致不良结果的药物相互作用的现有知识。

我们提出了图增强记忆网络( Graph Augmented Memory Networks，GAMENet )，它通过一个图卷积网络实现的记忆模块来整合药物-药物相互作用知识图谱，并将纵向患者记录建模为查询。

• EHR 图和 DDI 图分别表示药物组合关系和相互作用关系，目标是根据当前就诊信息、患者病史和两个图推荐多种药物。
• GAMENet 组件：医疗嵌入模块将多热向量编码的医疗代码转换为嵌入向量；患者表示模块通过双 RNN 学习患者表示；图增强记忆模块利用 GCN 将 EHR 图和 DDI 图嵌入存储在记忆库，将患者历史插入动态记忆，通过注意力机制检索信息。

1. 介绍

GAMENet组成：

1 )基于双递归神经网络( Dual-RNN )学习表示的病人查询

2 )集成的动态图增强记忆模块组成。它在内存库( MB )中用图卷积网络( GCN )构建和融合跨多个数据源的知识(药物使用信息来自EHR , DDI知识来自药物知识库)，从而整合了药物联合使用和药物-药物相互作用关系的知识。

进一步将患者病史以键值形式写入动态记忆( Dynamic memory，DM )，从DM中考虑相似的患者表征。

从图增强型存储模块中提取的信息可以通过病人表示作为查询来生成存储输出。然后，将内存输出和查询连接起来，以提出有效和安全的推荐。

结合多标签预测损失和DDI损失进行优化，以平衡有效性和安全性。

2. 方法

问题定义

• 定义1 (病人记录)

对于某个病人n的多次访问记录（共T(n)次）表示为

每次访问表示为

对应的诊断编码、手术代码和药物编码，所有编码都采用多热向量的形式，用c*t统一描述这三种不同类型的编码，后文*的使用表示相同的含义。

定义2 ( EHR图 & DDI图)

DDI图：Ad∈R | Cm | × | Cm |

EHR图：反映药物联合使用的信息

Ab二部图邻接矩阵，一边是药物、一边是药物组合。

Ae​[i,j] 的值表示第 i 个药物和第 j 个药物共同出现在多少个药物组合中，对角线元素 Ae​[i,i] 表示第 i 个药物出现在多少个药物组合中，反映了药物之间的关联强度。

问题1 (用药组合建议)

给定当前访问时间t的医学编码(排除用药编码)cd，cp，患者病史P = [ x1 , x2 , · · · , xt - 1]和EHR图Ge，以及GDDI图d，通过生成多标签输出来推荐多种药物。

Fig.1为GAMENet的总体结构

医疗嵌入模块

利用输入向量的线性嵌入，得到cd，cp的医学嵌入：

W是待学习的嵌入矩阵。这样xt就转换为：

患者表示模块

使用历史病例信息，利用两个RNN对诊断嵌入和手术嵌入进行编码：

图形增强存储模块

不仅将EHR图和DDI图作为事实嵌入，存储在内存库( MB )中，还将患者病史嵌入到动态内存( DM )键值表中，以捕获来自不同视图的信息。

I：输入记忆表征

f( · )是单隐层全连接神经网络，将隐状态映射为查询的变换函数。

G：Generation

是产生和更新记忆表征的过程，将EHR图和DDI图表示作为事实存储在内存库( MB )中，将病人历史信息作为键值对插入动态内存( Dynamic Memory，DM )，充分捕获不同视角的信息。

记忆库 Mb 的计算：

在每个图上进行两层GCN：

输出Mb作为两个图嵌入的加权和：

Mb每一行表示一个药物的Embedding。

动态内存( DM ) Md 的计算：

Md,k = [ q1、q2、q2 ; · · · ; qt - 1] 表示query向量q，Md,v = [ c1m ; c2m ; · · · ; ct-1m]表示value向量c。存储当前访问的病人的历史病例信息。

O：输出记忆表征

使用基于注意力的阅读过程来检索与查询qt最相关的药物信息。

ac表示内存库中每个元素与患者表示的相似度，对应ob反映了基于当前患者状态和内存库药物的相关信息。

as反映了历史患者表示中各元素与当前患者状态的时间相关性，am表示历史患者状态与当前患者状态的相关性以及历史用药情况，od 从时间维度上进一步整合了与当前患者相关的用药信息

R：响应

利用患者表征和记忆输出对多标签用药进行如下预测：

3. 训练和推理

多标签预测损失

DDI损失

联合损失

s是期望DDI率，s`是实际的DDI率。随着模型趋于稳定，p的值会逐渐降低，因为会施加温度 Temp←ε Temp上的衰变率ε。

4. 结果

比较GAMENet及其变体GAMENet ( w / o DDI ，“Without DDI knowledge” )。