一种结合PSO（粒子群优化）和AVOA（自适应价值函数优化）的混合框架，用于患者报告的药物优先级排序，该框架增强了探索能力和利用效率

《Frontiers in Digital Health》：A hybrid PSO-AVOA framework for patient-reported drug prioritization with enhanced exploration and exploitation

多标准药物优先选择优化：提出混合粒子群-非洲秃鹫优化算法（Hybrid PSO-EAVOA），通过整合PSO的快速收敛与EAVOA的探索能力，结合莱维飞行扰动、对位学习、自适应惯性权重和精英保留策略，显著提升算法在真实临床数据中的性能。实验表明该算法在收敛速度、解质量及鲁棒性上优于PSO、EAVOA、WHO、ALO、HOA等元启发式算法，成功筛选出疗效高、副作用少且用户共识强（如Phentermine、Methergine、Pernax）的候选药物，为个性化医疗决策提供支持。

　　在现代医疗体系中，个性化医疗正逐渐成为提升治疗效果和优化患者体验的重要方向。随着患者生成的药物评价信息在互联网平台上的广泛应用，这些数据不仅提供了丰富的临床信息，还为计算药物优先级提供了新的可能性。传统的药物推荐系统往往依赖于静态的用户偏好和标签数据，难以应对复杂且异构的临床数据环境。因此，基于人工智能和自然启发的元启发式算法成为解决这一问题的重要工具。本文介绍了一种名为“混合粒子群优化-增强非洲秃鹫优化算法”（Hybrid PSO-EAVOA）的新方法，该算法结合了粒子群优化（PSO）和增强非洲秃鹫优化算法（EAVOA）的优势，通过改进的反向学习机制、Levy飞行扰动和精英保留策略，实现了对药物选择问题的多标准优化。该方法在实际临床数据集上进行了验证，数据来源于Kaggle上的“药物副作用和医疗状况”数据集，涵盖了标准化的用户评分、药物和患者相关的特征、类别和类别的信息以及副作用描述。这些数据的丰富性为算法提供了良好的训练基础，使Hybrid PSO-EAVOA能够更准确地预测临床结果，并在多种评价标准下进行综合优化。

Hybrid PSO-EAVOA的核心在于其多标准适应度函数，该函数能够同时评估药物的治疗效果（由用户评分体现）、副作用严重程度（由副作用描述长度表示）以及患者共识（由评论数量衡量）。这种多维度的评价体系使得算法能够在复杂的临床环境中进行更全面的分析，为医生和患者提供更具临床意义的药物推荐。为了提升算法的全局探索能力，Hybrid PSO-EAVOA引入了Levy飞行扰动，该技术允许算法在搜索空间中进行长距离跳跃，从而避免陷入局部最优。同时，反向学习机制在初始化阶段用于生成差异较大的个体，有助于快速收敛。此外，精英保留策略和重启机制确保了算法在优化过程中能够保留最佳解，并在必要时引入多样性，从而避免过早收敛。

与传统药物推荐方法相比，Hybrid PSO-EAVOA在收敛速度、鲁棒性和解的质量方面表现出色。该算法在多个实验配置中被测试，包括500次迭代和1000次迭代，每个配置下进行10次和30次独立运行。实验结果显示，Hybrid PSO-EAVOA在所有测试中均取得了最优的适应度值和最稳定的性能表现，优于PSO、EAVOA、WHO、ALO和HOA等现有元启发式算法。特别是在高维和非线性搜索空间中，Hybrid PSO-EAVOA表现出更强的探索与利用平衡能力，使其在处理复杂的药物选择问题时更具优势。

为了进一步验证算法的性能，研究人员还对适应度函数中的权重系数进行了敏感性和消融分析。通过调整α、β和γ三个权重参数，可以评估它们对优化过程和最终药物推荐的影响。分析结果显示，α（治疗效果）对适应度函数的贡献最大，β（副作用严重程度）次之，γ（患者共识）则相对较小。这一发现为算法的参数调整提供了依据，使得模型能够在不同临床情境下保持较高的预测准确性。此外，通过设置约束条件，如选择药物的数量和唯一性，Hybrid PSO-EAVOA确保了优化结果的可行性，使得推荐的药物组合既符合临床需求，又具有实际操作性。

在数据预处理方面，研究团队对Kaggle数据集进行了全面的清洗和标准化处理。具体而言，缺失值被剔除，分类变量被编码，副作用文本数据经过清洗、分词和词形还原，以减少词汇差异对优化结果的影响。用户评分、评论数量和副作用严重程度等数值型变量则通过Min-Max标准化处理，将其转换为[0,1]范围内的统一值，以确保不同特征在优化过程中的可比性。这些预处理步骤为算法提供了高质量的数据输入，提高了其在实际应用中的表现。

Hybrid PSO-EAVOA在实际应用中展现出良好的灵活性和可扩展性。其模块化设计使其能够与其他临床数据源（如电子健康记录、药物相互作用数据等）进行整合，从而提供更加个性化的治疗建议。在测试中，该算法不仅能够快速收敛，还能在不同运行条件下保持较高的鲁棒性。此外，其适应度函数设计使得药物选择更加平衡，既考虑了治疗效果，又兼顾了副作用和患者反馈，从而提升了推荐的临床相关性。

实验结果表明，Hybrid PSO-EAVOA在多个方面优于现有方法。例如，在500次迭代和10次运行的测试中，该算法的平均适应度值高于所有其他元启发式算法，且其收敛曲线表现出更高的稳定性。在30次运行的情况下，其结果的一致性进一步提高，说明该算法具有良好的泛化能力。此外，该算法在不同测试配置下均能保持较高的优化效率，证明其在复杂药物选择问题中的适应性。通过比较不同算法的排名，Hybrid PSO-EAVOA始终处于最优位置，显示出其在多标准药物选择中的强大潜力。

从实际药物推荐结果来看，Hybrid PSO-EAVOA能够识别出具有较高治疗效果、较低副作用严重程度和较高患者共识的药物。例如，Phentermine（减肥药物）在用户评分和适应度值方面均表现优异，Methergine（偏头痛治疗药物）和Pernax（痤疮治疗药物）也分别在各自领域中获得了较高的排名。这些结果不仅验证了算法的有效性，还展示了其在临床决策中的实际价值。通过将患者反馈、药物安全性和实际使用数据相结合，Hybrid PSO-EAVOA能够生成更加精准和符合患者需求的药物推荐方案。

Hybrid PSO-EAVOA的提出为个性化医疗和药物推荐领域带来了新的思路。该算法不仅能够处理大规模的非结构化数据，还能通过多标准优化机制，实现对药物选择的全面评估。这种结合自然启发算法与临床数据的方法，有助于提升医疗决策的科学性和效率。此外，其模块化设计使得算法能够灵活地与电子健康记录和临床决策支持系统（CDSS）进行集成，从而在实际医疗场景中提供个性化的药物推荐。

未来的研究可以进一步拓展Hybrid PSO-EAVOA的应用范围，例如将其与基因组数据、人口统计数据和药物经济学数据相结合，以提升预测的准确性和泛化能力。此外，将该算法嵌入到AI驱动的临床决策支持系统中，可以实现药物推荐的实时性和动态性，为医生提供更精准的治疗方案，同时减少处方错误的发生率，提高患者的依从性。Hybrid PSO-EAVOA的成功应用表明，元启发式算法在处理复杂、非线性、多维度的临床数据时具有独特的优势，为个性化医疗的发展提供了新的工具和方法。