基于知识图谱的潜在不适当用药预测

目的 为提高潜在不适当用药(potentially inappropriate medication,PIM)预测的准确率,提出一种结合知识图谱和机器学习的PIM预测模型.方法 首先,基于2019版Beers标准,以知识图谱为基本结构,构建具有逻辑表达能力的PIM知识表示体系,实现从患者信息到PIM的推理过程.其次,利用分类器链算法建立每个PIM标签的机器学习预测模型,从数据中学习潜在特征关联.最后,根据样本量阈值,将知识图谱的部分推理结果作为分类器链上的输出标签,增加低频PIM预测结果的可靠性.结果 实验采用来自成都地区9家医疗机构的11 741份处方数据,对模型有效性进行评估.实验表明,该...

Full description

Saved in:
Bibliographic Details
Published in四川大学学报（医学版） Vol. 54; no. 5; pp. 884 - 891
Main Authors 林工钞, 滕飞, 胡巧织, 金朝辉, 徐珽, Haibo Zhang
Format Journal Article
LanguageChinese
Published 西南交通大学计算机与人工智能学院 成都 611756%四川大学华西医院 临床药学部 药剂科 成都 610041%新西兰奥塔哥大学 达尼丁 9054 20.09.2023
Subjects
潜在不适当用药
机器学习
Multi-label classification
Machine learning
多标签分类
Potentially inappropriate medication
知识图谱
Knowledge graph
Online AccessGet full text
ISSN1672-173X
DOI10.12182/20230960108

Cover

More Information
Summary:目的 为提高潜在不适当用药(potentially inappropriate medication,PIM)预测的准确率,提出一种结合知识图谱和机器学习的PIM预测模型.方法 首先,基于2019版Beers标准,以知识图谱为基本结构,构建具有逻辑表达能力的PIM知识表示体系,实现从患者信息到PIM的推理过程.其次,利用分类器链算法建立每个PIM标签的机器学习预测模型,从数据中学习潜在特征关联.最后,根据样本量阈值,将知识图谱的部分推理结果作为分类器链上的输出标签,增加低频PIM预测结果的可靠性.结果 实验采用来自成都地区9家医疗机构的11 741份处方数据,对模型有效性进行评估.实验表明,该模型对于PIM数量预测的准确率为98.10%,F1值为93.66%,对于PIM多标签预测的汉明损失为0.06%,macro-F1为66.09%,与现有模型相比有着更高的预测精度.结论 该PIM预测模型具有更好的潜在不适当用药预测性能,并且对于低频PIM标签识别效果提升显著.
ISSN:1672-173X
DOI:10.12182/20230960108