基于多粒度多属性表征学习的药物推荐模型EDRMM：提升精准医疗中的用药安全性与有效性

本研究针对现有药物推荐模型忽视历史与当前就诊信息关联性及电子健康记录(EHR)利用不足两大挑战，提出创新性解决方案EDRMM模型。通过动态属性级历史选择机制筛选关键特征，结合诊断(Diagnosis)、操作(Procedure)、症状(Symptom)多属性融合编码策略，并引入自适应全局药物相互作用(DDI)风险正则化项，在MIMIC-III数据集上实现Jaccard相似度0.5383、DDI率0.0714的先进性能，为临床决策支持系统提供更安全精准的用药方案。

　　

在医疗人工智能领域，药物推荐系统如同一位需要不断学习的"数字药师"，其核心挑战在于如何从海量电子健康记录(EHR)中提取有效信息，同时避免开出可能引发不良反应的"药物组合拳"。现有系统面临两大困境：一是将患者所有历史就诊记录"囫囵吞枣"式输入，忽略了不同时期医疗数据间的精细关联；二是对EHR中丰富的诊断、操作和症状等多维度信息"挑食偏食"，导致"数字药师"的决策依据不够全面。这种状况下开出的处方，既可能错过关键病史线索，又难以规避潜在的药物相互作用(DDI)风险。

厦门大学信息学院的Feiyan Liu、Wenhao Wang等研究人员在《BMC Bioinformatics》发表的研究，如同为"数字药师"装配了智能显微镜和风险雷达。他们开发的EDRMM模型通过三大创新突破：动态属性级历史选择机制像精准的"时空过滤器"，从患者就诊史中提取与当前状况最相关的诊断、操作和症状片段；多属性融合编码器如同"多维感知器"，分别处理不同医疗属性后合成全面患者画像；而创新的全局DDI风险正则化项则充当"安全防护网"，在模型训练过程中动态平衡疗效与安全性。

关键技术方法包括：1)基于MIMIC-III数据集构建患者多属性就诊序列；2)采用余弦相似度与多层感知器(MLP)结合的属性级历史选择算法；3)三重门控循环单元(GRU)分别编码不同医疗属性；4)图同构网络(GIN)提取药物分子全局特征；5)BRICS算法分解药物子结构并采用集合注意力块(SAB)编码；6)引入自适应权重调整的混合损失函数。

多粒度患者表征模块
研究团队设计的属性级历史选择机制，通过计算当前就诊与历史就诊在诊断、操作、症状三个维度的相关性得分c_t^d、c_t^p、c_t^s，仅保留超过阈值θ的高关联片段。实验显示，当采用相关性最高的历史信息(Top 1)时，基准模型GAMENet和SafeDrug的Jaccard指标分别提升12.7%和9.8%，验证了细粒度筛选的重要性。

多属性信息融合
区别于传统单一递归神经网络(RNN)处理混合属性，EDRMM采用三重RNN并行编码不同医疗属性。消融实验表明，当去除诊断属性时模型性能下降最显著(Jaccard从0.5383降至0.5110)，而症状属性的加入使指标提升0.5%，证实多属性协同能产生"1+1>2"的效果。

药物分子双重编码
研究人员通过4层GIN网络提取药物整体分子特征g，同时利用BRICS算法分解出的子结构，结合患者特定注意力权重生成药物表示g_k^'。这种"全局骨架+局部特征"的双重编码策略，使模型能识别如β-内酰胺环等关键药效基团对特定病症的针对性作用。

安全-疗效平衡机制
创新的全局DDI风险正则化项φ_risk通过矩阵运算I=p?^Tp?捕捉潜在药物组合风险。结合动态权重算法(当DDI率c>η=0.06时自动增强约束)，最终在保持推荐精度(Jaccard 0.5383)的同时，将DDI率控制在0.0714，显著优于GAMENet(0.0829)等基线模型。

这项研究为智能医疗决策系统树立了新标杆。其创新性体现在三个方面：首先，属性级历史选择机制突破传统"全有或全无"的就诊记录使用方式，实现临床信息的精准时空对齐；其次，多属性分离编码策略有效解决医疗数据稀疏性问题，即使某类属性缺失仍能保证系统稳健运行；最后，引入药物子结构注意力与全局DDI风险建模，使系统兼具"药剂师的专业眼光"和"临床药师的安全意识"。未来，整合更多维度的生命体征和实验室数据，结合更先进的图Transformer技术，或将催生新一代"全能型数字药师"，为个性化医疗提供更强大的决策支持。