15、基于实体增强双塔神经网络的用户友好型药物映射研究

基于实体增强双塔神经网络的用户友好型药物映射研究

1. 引言

对于没有专业医学背景的患者来说，药物名称往往难以发音和记忆。在与Alexa等对话式代理交流药物名称时，缺乏医学背景的患者可能会用多种不同方式提及药物，比如布美他尼（Bumetanide），既可以用通用名，也可以用商品名布美他（Bumex），还能用“高血压药丸”（疾病名称）来指代。而有医学知识的患者则可能使用缩写或专业术语来称呼药物，例如用“免疫药物”指代处方中的“霉酚酸酯盐酸盐”。

本文聚焦于根据患者的描述（DMP：描述性药物短语），从患者正在服用的药物列表中找出通用药物名称（SMN：标准化药物名称）这一问题。与传统的医学概念归一化不同，此问题针对的是患者特定的处方列表，而非通用的概念列表。

我们将其构建为一个排序问题，对患者正在服用的所有药物根据与患者描述的关系进行排序，排名最高的即为推断结果。同时，我们提出了一种基于硬注意力的实体增强CNN架构，相较于早期的排序方法，准确率提升了4%。此外，利用模型的潜在输出，我们构建了一个药物聚类系统，将具有相似效果和治疗相似疾病的药物归为一组，这有助于医生考虑替代药物以降低成本，也能帮助患者区分那些在印象中相似但实际使用条件不同的药物。

我们的主要贡献如下：
- 提出了一种医学实体增强架构——药物推断模型（MIM），相较于强大的BERT基线模型，准确率提高了7% - 9%。
- 与最先进的排序架构进行基准测试，证明了我们工作的稳健性。
- 展示了药物聚类结果，将具有相似效果和治疗相似疾病的药物归为一组。

2. 任务定义

每个示例表示为一个元组 (Q, P1, P2, …, Pn, Y)