Réseau de Graphes Hétérogènes à Double Niveau d'Interaction pour la Recommandation de Paquets Médicamentaux

Recherche sur le Système de Recommandation de Paquets Médicaux : Réseau de Neurones Graphiques Hétérogènes Basé sur une Conscience d’Interaction Bi-niveau

Avec la large adoption des dossiers de santé électroniques (electronic health records, EHRs) dans le domaine médical, extraire des connaissances médicales potentielles et précieuses pour soutenir les décisions cliniques est devenu l’un des axes de recherche majeurs de la technologie d’apprentissage profond. La recommandation personnalisée de paquets médicaux est une tâche importante dans ce domaine, visant à aider les médecins à choisir des ensembles de médicaments plus sûrs et efficaces pour chaque patient en utilisant une grande quantité de dossiers médicaux. Cependant, les méthodes actuelles de recommandation de paquets médicaux modélisent principalement la tâche comme un problème de classification multi-étiquettes ou de génération de séquences, mettant l’accent principalement sur les relations entre les médicaments individuels et d’autres entités médicales, tout en négligeant souvent l’interaction entre les paquets de médicaments et d’autres entités médicales, ce qui peut entraîner des recommandations de paquets de médicaments incomplètes. De plus, la connaissance des faits médicaux prise en compte par les méthodes actuelles est relativement limitée, rendant la compréhension approfondie des processus décisionnels des médecins très difficile.

Aperçu de la Source

Cet article est rédigé par des chercheurs de l’École de logiciels de l’Université de Shandong, Fanglin Zhu, Xu Zhang, Batuo Zhang, Yonghui Xu et Lizhen Cui (membre senior de l’IEEE), et publié dans le journal “IEEE Journal of Biomedical and Health Informatics” d’avril 2024. Cet article vise à résoudre les insuffisances des méthodes existantes dans la recommandation de paquets médicaux en proposant un réseau de neurones graphiques hétérogènes basé sur une conscience d’interaction bi-niveau (DIAGNN), afin d’améliorer l’intégrité et la précision de la recommandation de paquets médicaux.

Processus de Recherche

Le DIAGNN proposé dans cet article introduit un graphe hétérogène pour modéliser explicitement les interactions entre les entités médicales dans les EHRs, et capture les informations sémantiques dans le graphe hétérogène médical à l’aide d’un réseau de convolution sur graphes bi-niveau. De plus, l’étude intègre les indications médicales des médicaments comme connaissances médicales de fond dans le graphe hétérogène. Le processus spécifique est le suivant :

1. Modélisation de l’Interaction Bi-niveau : Les interactions entre les médicaments individuels et les paquets de médicaments avec d’autres entités médicales (telles que les patients et les maladies) dans les EHRs sont modélisées pour construire un graphe hétérogène médical (incluant des catégories de nœuds et d’arêtes).
2. Propagation d’Information Bi-niveau : Sur le graphe hétérogène, un réseau de convolution sur graphes bi-niveau est utilisé pour l’apprentissage des caractéristiques, et les informations sont encodées, propagées et agrégées respectivement pour les nœuds de différents niveaux, afin d’améliorer la compréhension des relations entre diverses entités médicales.
3. Prédiction de Paquets Médicaux : Basé sur les caractéristiques des entités médicales apprises, prédire et générer des paquets de médicaments recommandés, et calculer respectivement leur degré de corrélation avec l’état de santé des patients, afin de sélectionner le paquet de médicaments le plus pertinent comme résultat final de la recommandation.

Principaux Résultats

Les contributions majeures de cette recherche sont les suivantes :

• Introduction Innovante d’un Mécanisme de Conscience d’Interaction Bi-niveau : En prenant en compte les interactions aux deux niveaux des médicaments individuels et des paquets de médicaments, cela améliore l’intégrité des paquets de médicaments recommandés et la précision du système de recommandation.
• Intégration des Connaissances des Indications Médicales : En introduisant de nouvelles connaissances médicales, en particulier les indications médicales des médicaments, cela renforce la compréhension du modèle des relations entre les médicaments et les maladies, évitant les recommandations inexactes dues à une absence de connaissances.
• Validation Expérimentale Étroite : Les résultats expérimentaux sur des ensembles de données du monde réel valident l’efficacité et la supériorité de la méthode proposée, montrant sa capacité à recommander des paquets de médicaments plus sûrs et plus efficaces.

Conclusion et Signification

Le DIAGNN proposé dans cet article, grâce à un mécanisme de conscience d’interaction bi-niveau et à un réseau de neurones graphiques hétérogènes, améliore significativement l’intégrité et la précision de la recommandation de paquets médicaux. Cette recherche a une valeur scientifique importante, en améliorant le niveau d’application clinique de la recommandation de paquets médicaux, et possède également un potentiel d’application large dans les services médicaux pratiques, contribuant à améliorer la qualité et l’efficacité des services de santé.

Points Forts et Innovations

1. Modélisation de l’Interaction Bi-niveau : Considération pour la première fois des interactions entre les paquets de médicaments et d’autres entités médicales dans la recommandation de paquets médicaux, améliorant significativement l’intégrité des paquets de médicaments recommandés.
2. Intégration des Connaissances Médicales : Introduction des indications médicales des médicaments, renforçant le caractère scientifique et pratique de la recommandation de paquets médicaux.
3. Validation Expérimentale Large : Les résultats expérimentaux sur plusieurs ensembles de données réels démontrent les performances supérieures du modèle proposé, posant une base solide pour des recherches et applications futures.