[发明专利]基于时间注意力机制和图卷积网络的药物组合推荐方法

说明书

本发明提供了一种基于时间注意力机制和图卷积网络的药物组合推荐方法；本发明能够在复杂的医疗环境中，为重症患者的治疗推荐合理的药物，帮助临床医生治疗患者。电子健康档案中的诊断和治疗都采用了统一编码格式进行了编码，保存了诊断和治疗中的时间按序列信息，通过将编码转化为向量，利用两层循环神经网络组成的时间注意力机制来捕获时间序列信息；针对电子健康档案中医生开出处方的药物与已知药物不良反应的药物，转化成图网络结构数据来描述不同药物组合之间的关系，利用图卷积网络来学习药物图网络中的医疗用药知识。与传统相比，简化的图卷积网络在维持预测准确性不变的情况下，减少了神经网络模型计算参数，降低了训练学习时间。

技术领域

本发明涉及基于时间注意力机制和图卷积网络的药物组合推荐方法。

背景技术

随着大量医疗数据的产生，深度学习技术在医疗领域显示出强大的预测潜力。在过去的十年里，记录患者健康信息的电子健康档案(Electronic health record，EHR)系统迅速发展，它在医疗相关的研究领域发挥了巨大的作用，例如医学概念的提取、病人活动轨迹的建模、疾病的推理、临床决策系统的建立和药物组合的预测等。利用深度学习技术和EHR数据库里的丰富信息，医生可以更方便、准确地为病情复杂的患者提供治疗。一般来说，医疗事件可以分为诊断、治疗和用药。这些医学概念可以用编码来表示，以便对临床事件进行更好的建模。因此，国际疾病分类(International classification of disease，ICD)用来区分疾病和治疗程序，美国国家药品编码(National drug code，NDC)用来对药品编码。这样患者看病过程就可以用ICD码来表示，患者看病过程使用的药物就可以用NDC码来表示。然而，这些医疗编码维度通常都很高，此时想要用向量来表示这些编码，并且尽可能保存原来存在于编码中的信息就比较困难。而且，ICD编码继承了诊断和治疗中的时间序列信息，患者处方中各种各样的药物组合使得NDC编码之间的关系十分复杂。

电子健康档案中的时间序列存在长度不一、采用不规律、数据丢失的问题。传统的机器学习方法在进行特征提取时，可能会忽略与预测精度相关的时间和序列关系，而这些特征是和预测的准确性相关联的。现有的研究可以分为两类来提取电子健康档案中的时间序列序列特征。第一种是基于马尔可夫决策的方法，它根据病人目前的健康状况，提供有原则的治疗方案，这种方法是想获得最佳的决策序列。但是，它继承了马尔可夫变换中的无记忆特征。第二种是基于循环神经网络(Recurrent neural networks，RNN)的方法，它在时间序列的学习中取得了良好的效果，并在许多领域得到了应用。循环神经网络的递归结构决定了，下一个隐藏状态的获取是基于前一个隐藏状态的序列信息。因此，与无记忆的马尔可夫模型相比，递归结构使基于循环神经网络的模型具有记忆功能。在近期研究中，基于循环神经网络(RNN)构建的注意力机制在自然语言处理、语音识别和医疗领域取得了很大的成功，在这些研究中表明注意力机制可以有效识别出关注重点，从而提高模型效果。