Page 412 - 《软件学报》2026年第3期

邹鑫 等: 基于多源信息结构化序列建模的药物推荐方法 1375

structured representation is improved, facilitating the understanding of the structural relationships among drugs and reducing the risk of
DDI. Experimental results on real-world datasets (i.e., MIMIC-III and MIMIC-IV) demonstrate that the proposed method outperforms
comparative methods across multiple performance metrics.
Key words: drug recommendation; electronic health record; graph contrastive learning; multi-source information; attention mechanism

近年来, 随着医疗领域数字化飞速发展, 先进的医疗机构积累了大量电子健康记录 (electronic health record,
[1]
EHR) 数据. 这些数据包括患者的个人信息、病历记录、检查结果和诊断等, 是医疗决策和患者管理的重要依据.
然而, 由于数据的庞大和复杂性, 传统的数据处理方法已经无法满足对数据的深入分析和利用的需求. 在此背景
下, 人工智能 (artificial intelligence, AI) 技术开始在医疗领域中发挥重要作用 [2] , 通过对海量的医疗数据进行分析和
挖掘 [3] , 提取其中的关联知识, 为医生和研究人员提供更为全面和准确的信息支持 [4] . 与此同时, AI 在数据挖掘 [5]
方面的潜力也催生出了许多创新的医疗应用 [6] , 包括复杂的随访咨询 [7] 、医学影像分析 [8,9] 以及慢性病管理 [10,11]
等, 对未来医疗实践的潜在影响是十分深远的.
药物推荐是医疗实践中的一个重要环节, 它涉及对患者的疾病诊断、药物治疗方案的选择和调整等方
面 [12–15] . 传统的药物选择过程需要医生花费大量时间和精力进行文献研究和经验判断, 存在一定的局限性. 而基
于 AI 的药物推荐系统可以快速地为医生提供多个可选的药物组合方案, 根据患者的具体情况进行用药指导和评
估, 帮助医生更好地根据患者健康状况制定安全有效的用药方案 [16] . 此外, 药物推荐系统还可以促进临床决策的
科学化和规范化. 这有助于提高医疗质量和安全性, 减少误诊和漏诊的风险 [17] . 另一方面, 与目前热门的医学影像
处理等领域所取得的进展相比, 药物推荐算法的研究仍然处于早期阶段. 对于药物推荐的预测准确性和安全性等
方面仍然存在许多待解决的难题 [18] . 特别是在训练和验证这些模型时需要大规模、高质量、真实世界的数据
集, 同时在利用患者数据进行模型开发时, 如何保护患者在诊治过程的健康数据, 避免被泄露等问题也亟待解决 [19] .
药物推荐方法通过挖掘患者的纵向 EHR 数据, 结合临床指南、专家知识和药物信息, 由此建立模型来预测患
者对不同药物的反应和疗效, 从而更全面地了解患者的健康状况, 给出安全有效的药物组合 [20] . 具体来说, 模型需
要参考患者的历史问诊记录, 对患者的健康状况进行评估, 并根据历史用药信息和不断演变的病况为其定制安全
且有效的用药方案. 如图 1 给出的纵向电子健康记录的简化示例所示, 直观上看, 临床医生能够评估各种健康状况
随时间的演变和相互作用, 从而开具有效且适合患者不断变化的健康状况的药物组合. 这种方法体现了对患者的
药物治疗需求随着时序变化的微妙理解 [21] , 旨在挖掘患者在历史诊断条件和当前诊断条件下的健康信息, 从而推
荐安全可靠、具有针对性治疗效果的药物组合.

问诊1 问诊2 问诊3
诊断序列 呼吸衰竭 ... 血小板低 ... 血小板低 ...

气胸
视觉障碍
厌食
诊断
用药

处方1 处方2 处方3
药物组合 抗生素 ... 抗血栓药 ... 抗血栓药 ...

止痢药
消炎药
退热药
202x-06-10 202x-06-23 202x-07-05
图 1 纵向电子健康记录的简化示例

与传统的商品推荐 [22–25] 有所不同, 药物组合推荐面临着两个主要挑战. 首先, 传统的商品推荐系统通常是基于
协同过滤或者基于内容推荐算法, 旨在找到所属同一群体喜爱的物品或是其他用户购买过的同类物品来推荐给