RAHM: 合理的な投薬ストックのための関係拡張階層型マルチタスク学習フレームワーク

RAHM: Relation augmented hierarchical multi-task learning framework for reasonable medication stocking.

• Yang An
• Yakun Mao
• Liang Zhang
• Bo Jin
• Keli Xiao
• Xiaopeng Wei
• Jun Yan

抄録

デジタル予防医療管理、特に二次予防段階での重要な作業として、積極的な投薬ストックとは、患者の疾患進行予測に応じて、必要な薬を事前に準備しておく作業のことである。しかし、患者ごとに予防薬、あるいは救命薬を予測することは、非自明な作業である。既存のモデルでは、患者の予測する疾患と薬の間の暗黙の階層関係を見落としており、主に単一のタスク（薬の推奨や疾患予測）に焦点を当てているのが現状である。この限界に対処するために、我々は関係性を考慮した階層的マルチタスク学習フレームワークRAHMを提案する。具体的には、このフレームワークでは、まず、電子カルテ（EHR）データの基礎となる構造的関係を利用して、低レベルの患者訪問表現を学習する。次に、通常のLSTMを用いて、疾患レベルの患者表現学習のために、過去の時間的な疾患情報をエンコードする。さらに、縦断的な患者記録の中の疾患と薬の関係を扱うために、関係を考慮したLSTM(R-LSTM)を提案した。学習プロセスでは、エラー伝播を緩和し、EHRの貴重な関係情報を保存するために、2つの疑似残差構造を導入した。我々の手法を検証するために、実世界の臨床データセットに基づいて大規模な実験を行った。その結果、我々のフレームワークがいくつかのベースラインよりも一貫して優れていることが示された。

As an important task in digital preventive healthcare management, especially in the secondary prevention stage, active medication stocking refers to the process of preparing necessary medications in advance according to the predicted disease progression of patients. However, predicting preventive or even life-saving medicine for each patient is a non-trivial task. Existing models usually overlook the implicit hierarchical relation between patient's predicted diseases and medications, and mainly focus on single tasks (medication recommendation or disease prediction). To tackle this limitation, we propose a relation augmented hierarchical multi-task learning framework, named RAHM. which is capable of learning multi-level relation-aware patient representation for reasonable medication stocking. Specifically, the framework first leverages the underlying structural relations of Electronic Health Record (EHR) data to learn the low-level patient visit representation. Then, it uses a regular LSTM to encode the historical temporal disease information for disease-level patient representation learning. Further, a relation-aware LSTM (R-LSTM) is proposed to handle the relations between diseases and medication in longitudinal patient records, which can better integrate the historical information into the medication-level patient representation. In the learning process, two pseudo residual structures are introduced to mitigate the error propagation and preserve the valuable relation information of EHRs. To validate our method, extensive experiments have been conducted based on the real-world clinical dataset. The results demonstrate a consistent superiority of our framework over several baselines in suggesting reasonable stock medication.

Copyright © 2020. Published by Elsevier Inc.