KATMed：併存疾患における禁忌を考慮した薬剤推奨のための知識拡張型トランスフォーマーモデル

科学分野:

• 医療情報学
• ヘルスケアにおける人工知能
• 臨床意思決定支援システム

背景:

• 併存疾患を持つ患者における薬物疾患禁忌（DDCC）は、そのロングテール分布と個々のばらつきのために、重大な臨床的課題を提示します。
• 既存の電子カルテベースの薬剤推奨モデルは、DDCCの扱いに苦労しており、患者の安全リスクを高めています。

研究 の 目的:

• KATMed、すなわち併存疾患を持つ患者における禁忌を考慮した薬剤推奨のために設計された知識拡張型トランスフォーマーモデルを開発すること。
• スパースで多様な併存疾患データを効果的に処理することにより、薬剤推奨の精度と安全性を向上させること。

主な方法:

• 患者記録のトランスフォーマーベースのエンコーディングと、時間的および意味的依存関係を捉えるための2つの自己教師ありタスクを利用しました。
• 双方向の薬剤関連臨床関連性を統合するハイブリッド知識拡張フレームワークを開発しました。
• 動的な意味的関連性行列を介した正の疾患-処置関連性と、差分可能な論理制約としての負のDDCCルールを組み込みました。

主要な成果:

• KATMedは、MIMIC-IIIおよびMIMIC-IVデータセットで実質的なパフォーマンスの向上を示しました。
• 推奨精度が5.2%向上しました。
• 既存の方法と比較して、安全性の違反が2.04%減少しました。

結論:

• KATMedは、薬剤推奨における併存疾患の薬物疾患禁忌の課題を効果的に解決します。
• 知識拡張アプローチは、スパースな併存疾患データに対する特徴学習を強化し、より安全で正確な臨床的意思決定につながります。