用于预测看不见的药物相互作用的EHR和知识图谱的双途径融合
药物相互作用(DDI)仍然是可预防伤害的主要来源,许多临床上重要的机制仍然未知。 现有模型要么依赖于药物知识图谱(KG),这些知识图谱(KGs)在看不见的药物上失败,要么依赖于电子健康记录(EHR),这些记录是嘈杂的,时间上的和站点依赖的。 根据我们的知识,我们介绍了第一个在患者水平EHR上下文中设置KG关系评分的系统,并将推理提炼成纯EHR模型,用于零点推断。 融合“教师”学习两种来源中代表的药物对的机制特异性关系,而蒸馏的“学生”则推广到新的或很少使用的药物,而没有 KG 的推断。 两者都在药理学机制(药物关系)的共享本体下运作,以产生可解释的,可审计的警报,而不是不透明的风险评分。 该系统经过多机构EHR语料库与策划的DrugBank DDI图配对的培训,并使用临床对齐的、以决策为重点的协议进行评估,该协议具有避免人工轻松配对的泄漏安全底片,在多机构测试数据中保持精度,产生特定机制,临床上一致的预测,以可比的整体检测性能(F1)降低错误警报(高精度),并且与之前的方法相比,错过了更少的真实交互。 案例研究进一步显示,临床认可的CYP介导和药物动力学机制的零点识别,支持在临床决策支持和药物警戒中的实际使用。
机器学习定量方法
