【技术实现步骤摘要】
一种基于异构EHR网络表示学习的药物推荐方法及系统
[0001]本专利技术涉及人工智能及数字医疗
,特别涉及一种基于异构EHR网络表示学习的药物推荐方法及系统。
技术介绍
[0002]随着计算机技术迅速发展,硬件性能的提升、存储容量的增加和网络技术的普及,医疗信息化系统逐渐普及,海量的医学数据被记录在电子系统中,如病人的个人信息、诊断记录、处方用药、医疗操作记录、化验检查结果等等,形成了电子健康记录(Electronic Health Record,EHR),提高了医疗信息的可访问性和安全性。EHR数据具有纵向医疗信息全面、数据共享性好的优点,建模EHR中病人信息的药物推荐方法可以根据病人的临床信息预测其所需的药物,辅助医生进行个性化的药物选择,监测疗效并调整治疗方案。然而,基于EHR数据进行病人用药预测的任务仍然面临着许多挑战:(1)病人病历中包含着疾病诊断代码、药物代码、手术治疗代码、生理指标等各种类型的数据,具有数据类型多,概念之间关系繁杂,维度高等特点,传统深度学习方法对这些医学概念的表示存在稀疏性;(2)预测的药物组合中药物相互作用程度严重,用药安全性缺失;(3)病人多次就诊的病历呈现出强烈的非均衡性,大多数方法缺乏对病历时序特性的学习。实际上,EHR数据中诊断、药物等医疗实体中蕴含着丰富的语义信息,医疗实体之间又隐含着不容忽略的关联性,因此,研究人员开始探索如何使用图表示学习方法对EHR数据进行深层次的分析和利用。
[0003]EHR数据主要由病人个人信息、诊断信息和处方信息构成。在图表示学 ...
【技术保护点】
【技术特征摘要】
1.一种基于异构EHR网络表示学习的药物推荐方法,其特征在于,包括以下步骤:S1、预处理病历数据,提取历史病历数据中病人对应的诊断、药物信息,得到EHR历史病历数据集;S2、根据步骤S1中得到的EHR历史病历数据集构建异构EHR网络,利用不同类型的元路径构建与病人、药物相关的关系图;构建病人
‑
诊断、病人
‑
药物交互图;S3、构建并初始化复杂关系图表示模型;S4、使用步骤S1中得到的EHR历史病历数据集通过Adam优化器以随机梯度下降的方式对步骤S3中的复杂关系图表示模型进行训练,确定复杂关系图表示模型的训练参数,获取复杂关系图表示模型;S5、依据步骤S1中的预处理方法对病人的时序就诊数据进行预处理,使用步骤S4中获取的复杂关系图表示模型,提取医疗实体的向量表示,应用医疗实体的向量表示进行药物推荐。2.根权利要求1所述的一种基于异构EHR网络表示学习的药物推荐方法,其特征在于,所述步骤S1具体包括以下步骤:S11、对历史病历数据进行预处理,依次进行去除缺失值、去除重复值和排序操作,得到EHR历史病历数据集,该EHR历史病历数据集中包括病人的诊断过程和用药记录;S12、根据预处理得到的EHR历史病历数据集,生成诊断编号与对应ICD
‑
9编码组成的诊断字典信息、药物编号与对应NDC编码组成的字典信息,另外,将EHR历史病历数据集与药物相互作用知识库相结合,提取出EHR历史病历数据集中所有药物之间存在的相互作用关系。3.根据权利要求2所述的一种基于异构EHR网络表示学习的药物推荐方法,其特征在于,所述步骤S2具体包括以下步骤:S21、将病人、诊断、药物作为节点,病人
‑
诊断关系、病人
‑
药物关系作为连边,将EHR历史病历数据集构建为异构EHR网络,记作其中表示节点集合,表示病人节点集合,表示诊断节点集合,表示药物节点集合,ε表示边集合,包括病人
‑
诊断类型R
d
的连边集合、病人
‑
药物类型R
m
的连边集合;S22、构建与病人、药物相关的关系图:将病人、诊断、药物节点类型分别记作V
p
、V
d
、V
m
,根据元路径病人
‑
诊断
‑
病人构建病人
‑
病人交互图ε
pdp
表示对应的病人
‑
诊断
‑
病人连边集合;根据元路径病人
‑
药物
‑
病人构建病人
‑
病人交互图ε
pmp
表示对应的病人
‑
药物
‑
病人连边集合;根据EHR历史病历数据集判断任意两种药物是否同时存在于同一个药物组合中,即药物共现关系,构建药物共现图其中ε
mpm
表示存在共现关系的药物之间的连边;将步骤S12中提取出的EHR历史病历数据集中所有药物之间存在的相互作用关系,构建药物相互作用图的EHR历史病历数据集中所有药物之间存在的相互作用关系,构建药物相互作用图其中,ε
mm
表示存在相互作用关系的药物之间的连边,以上构建的图G
pdp
、G
pmp
、G
mpm
、G
mm
对应的邻接矩阵为A
pdp
、A
pmp
、A
mpm
、A
mm
;S23、依据异构EHR网络,基于边类型构建病人
‑
诊断交互图其
中,表示包含病人类型节点、诊断类型节点的节点集合,ε
pd
表示病人
‑
诊断连边集合,病人
‑
诊断交互矩阵为A
pd
;基于边类型构建病人
‑
药物交互图G
pm
=(ν
pm
,ε
pm
),其中v
pm
表示包含病人类型节点、药物类型节点的节点集合,ε
pm
表示病人
‑
药物连边集合,病人
‑
药物交互矩阵为A
pm
。4.根据权利要求3所述的一种基于异构EHR网络表示学习的药物推荐方法,其特征在于,所述步骤S3具体包括以下步骤:S31、随机初始化病人、诊断、药物节点的向量表示E
(p)
、E
(d)
、E
(m)
,构建局部结构信息聚合网络,具体为:局部结构信息聚合网络为两层轻量型的图卷积网络,以用于编码多种类型节点之间的关系来丰富节点向量表示,对于病人
‑
诊断交互图,首先计算每个病人节点和诊断节点的度,得到度矩阵D
(p)
和D
(d)
,再对病人
‑
诊断交互矩阵A
pd
进行归一化操作,计算方式为对于病人
‑
药物交互图,首先计算每个病人节点和药物节点的度,得到度矩阵D
(p)
和D
(m)
,再对病人
‑
药物交互矩阵A
pm
进行归一化操作,计算方式为进行归一化操作,计算方式为S32、利用步骤S31中构建的局部结构信息聚合网络聚合不同类型的节点信息和结构信息,以递归地方式更新节点的向量表示,对于病人
‑
诊断交互图,其计算方式如式(1)、(2)所示:示:其中,l表示轻量型图卷积网络层的索引,和分别表示第l层的病人和诊断节点的向量表示,当l=0时,上标p
d
表示该病人表示来自病人
‑
诊断交互图,T表示矩阵的转置操作;同理,对于病人
‑
药物交互图,根据式(3)、(4)得到病人、药物的表示:的表示:其中,上标p
m
表示该病人表示是来自病人
‑<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。