ИИ учится рекомендовать лекарства даже пациентам, не имеющим истории рецептов

1770257979
2026-02-05 01:39:00

Исследователи решают важнейшую задачу рекомендации подходящих лекарств новым пациентам — проблему, известную как проблема «холодного старта» в электронных медицинских записях. Арья Хадизаде Могаддам, Мохсен Наеби Кердабади и Дунцзе Ван, все из факультета электротехники и компьютерных наук Канзасского университета, вместе с Мэй Лю из Центра медицинских наук УФ и Цзыджун Яо из Канзасского университета, представляют новую структуру под названием MetaDrug. Эта работа важна, поскольку она выходит за рамки простого решения проблемы холодного запуска лекарств и вместо этого фокусируется на предоставлении персонализированных рекомендаций, которые адаптируются к индивидуальным характеристикам пациента, используя многоуровневый подход, включающий как самостоятельную адаптацию, так и адаптацию коллег. Путем количественной оценки неопределенности и фильтрации ненужной информации MetaDrug явно повышает точность рекомендаций для пациентов с ограниченной историей назначений, о чем свидетельствуют результаты наборов данных MIMIC-III и Acute Kidney Injury.

Существующие методы часто не могут предоставить надежные рекомендации для новых пациентов из-за ограниченной истории назначений, и хотя графики медицинских знаний помогают при холодном запуске изделий, они не обеспечивают персонализированных рекомендаций, адаптированных к индивидуальным характеристикам пациента.

Исследовательская группа решила эту проблему, предложив многоуровневый подход с учетом неопределенности, который использует метаобучение, метод, демонстрирующий многообещающую эффективность в работе с новыми пользователями с разреженными данными в рекомендательных системах. Этот прорыв представляет собой двухуровневый механизм метаадаптации, начиная с самоадаптации, который адаптирует модель к новым пациентам, используя свои собственные медицинские события для учета временных зависимостей.
В то же время адаптация со сверстниками обогащает представления пациентов за счет использования аналогичных посещений других пациентов, эффективно решая проблему нехватки данных. Чтобы усовершенствовать процесс адаптации, исследователи интегрировали модуль количественной оценки неопределенности, который ранжирует посещения службы поддержки и отфильтровывает ненужную информацию, обеспечивая согласованность адаптации и улучшая качество рекомендаций.

Инновационный подход платформы выходит за рамки простого расширения представления элементов и вместо этого фокусируется на улучшении профилирования пользователей для пациентов с холодным запуском. Это достигается за счет новой комбинации моделирования временных зависимостей и фильтрации неопределенностей, что приводит к значительному повышению точности рекомендаций для пациентов с ограниченным медицинским анамнезом. Эта работа открывает новые возможности для разработки более эффективных и персонализированных систем рекомендаций по лечению, что в конечном итоге улучшает уход за пациентами и принятие клинических решений.

Двухуровневая метаадаптация с количественной оценкой неопределенности для персонализированных рекомендаций по лечению позволяет улучшить процесс принятия клинических решений.

Ученые разработали MetaDrug, многоуровневую систему метаобучения с учетом неопределенностей для решения проблемы холодного запуска пациентов при рекомендации лекарств с использованием баз данных электронных медицинских карт. Исследование положило начало новому двухуровневому механизму метаадаптации, начиная с самоадаптации, при котором модель адаптируется к новым пациентам, используя их собственные медицинские события в качестве набора поддержки для учета временных зависимостей в их истории.

В то же время адаптация к коллегам обогащает представления новых пациентов за счет использования аналогичных посещений пациентов-сверстников, эффективно расширяя доступные данные для персонализированных рекомендаций. Команда построила профили пациентов на основе последовательных посещений врача, каждое из которых содержало диагнозы, процедуры и записи о приеме лекарств, чтобы смоделировать траектории движения пациентов. Этот подход позволяет системе изучать надежные представления пациентов даже при ограниченных исторических данных, решая проблемы, связанные с нехваткой как посещений, так и разнообразия кодов.

Методика показывает, что MetaDrug неизменно превосходит современные методы рекомендации лекарств, особенно для пациентов с холодным стартом, демонстрируя свою эффективность в сценариях с редкими историями болезни. Было проведено сравнение эффективности с существующими методами для количественной оценки улучшений, достигнутых с помощью предложенной системы, что подчеркнуло ее способность генерировать более точные и персонализированные рекомендации по лечению. Система обеспечивает значительный прогресс в работе с новыми пользователями с ограниченными данными взаимодействия в сложной области электронных медицинских записей.

Двухуровневая адаптация улучшает рекомендации по лечению для пациентов с ограниченным анамнезом за счет использования как популяционных, так и индивидуальных данных.

Результаты демонстрируют способность системы улавливать временные зависимости в истории болезни пациента и обогащать новые представления пациентов. Исследователи добились этого, обрабатывая несколько медицинских кодов во время каждого визита одновременно, фиксируя сложность данных ЭМК. Модель постепенно адаптируется в зависимости от последовательности посещений, со временем улучшая производительность.

Тесты доказывают, что включение данных о пациентах-равных еще больше снижает разреженность данных и улучшает репрезентативность пациентов с ограниченным медицинским анамнезом. Данные показывают, что модуль количественной оценки неопределенности эффективно выявляет и исключает ненужные посещения службы поддержки, совершенствуя процесс адаптации. Измерения подтверждают, что подход MetaDrug к самоадаптации эффективно изучает траектории развития отдельных пациентов.

Стратегия взаимной адаптации выявляет и использует аналогичные посещения EHR от других пациентов, обеспечивая критический контекст для сценариев холодного запуска. Этот прорыв обеспечивает надежное решение для персонализированных рекомендаций по лечению даже при скудных данных о пациентах, что потенциально улучшает процесс принятия клинических решений и результаты лечения пациентов. Эта работа закладывает основу для будущих исследований в области приложений метаобучения в здравоохранении.

Использование адаптации самого себя и сверстников для улучшения рекомендаций по лечению является многообещающим подходом.

Исследователи разработали MetaDrug, новую систему метаобучения для решения проблемы холодного запуска пациентов в системах рекомендаций по лечению. Существующие методы часто не могут предоставить надежные рекомендации для новых пациентов, не имеющих обширной истории назначений, и, хотя графики медицинских знаний предлагают некоторое смягчение последствий, они часто не могут предоставить персонализированные рекомендации, адаптированные к индивидуальным характеристикам пациентов.

MetaDrug представляет двухуровневый механизм адаптации, включающий как самоадаптацию, которая использует собственные медицинские события пациента, так и адаптацию со стороны коллег, которая использует аналогичные посещения других пациентов для обогащения представлений. Это говорит о том, что этот подход эффективно решает проблему разреженности данных и повышает точность прогнозирования для новых пациентов.

👉 Дополнительная информация
🗞 Адаптивное к пользователю метаобучение для рекомендаций по лечению при холодном запуске с фильтрацией неопределенности
🧠 АрXiv:

#ИИ #учится #рекомендовать #лекарства #даже #пациентам #не #имеющим #истории #рецептов