Page 423 - 《软件学报》2026年第3期

1386 软件学报 2026 年第 37 卷第 3 期

表 2 在 MIMIC-III 和 MIMIC-IV 数据集上不同方法的性能比较 (续)

MIMIC-III MIMIC-IV
模型
Jaccard F1-score PRAUC Jaccard F1-score PRAUC
MICRON 0.5097±0.0036 0.6652±0.0035 0.7687±0.0028 0.4382±0.0025 0.6032±0.0026 0.7106±0.0018
SafeDrug 0.5119±0.0034 0.6622±0.0031 0.7608±0.0028 0.4837±0.0062 0.6435±0.0054 0.7401±0.0031
4SDrug 0.4927±0.0022 0.6516±0.0024 0.7675±0.0020 0.4792±0.0022 0.6368±0.0019 0.7353±0.0017
Carmen 0.5267±0.0021 0.6812±0.0016 0.7736±0.0021 0.5049±0.0009 0.6615±0.0011 0.7513±0.0013
SHAPE 0.5438±0.0018 0.6828±0.0017 0.7861±0.0016 0.5170±0.0014 0.6702±0.0013 0.7683±0.0015
AKA-SafeMed 0.5164±0.0000 0.6725±0.0000 0.7709±0.0000 0.4905±0.0026 0.6498±0.0022 0.7480±0.0021
VITA 0.5280±0.0000 0.6820±0.0000 0.7670±0.0000 0.5220±0.0000 0.6690±0.0000 0.7150±0.0000
SSMD 0.5563±0.0016 0.7027±0.0015 0.7924±0.0016 0.5256±0.0015 0.6785±0.0013 0.7720±0.0014

实验从测试集随机抽取 80% 的数据进行一轮评估, 并使用 10 轮的结果进行图 4 中的折线图展示, 图 4 清晰
地展示了不同药物推荐模型在 MIMIC-III 和 MIMIC-IV 数据集上的药物数量和 DDI 率的实验对比结果, 可以展
现出问诊次数对效果的影响 (代码已在 GitHub 上开源, 地址为 https://github.com/Obananas/SSMDrug). 我们观察到
传统的非深度学习分类技术, 如 LR 和 ECC 模型, 在推荐药物的总量上相对较低, 并且在其预测的药物组合中 DDI
率较高. 当推荐的药物数量增加时, 新增加的药物可能与患者当前使用的药物产生新的相互作用, 从而增加了
DDI 的风险. 在多药联合治疗的情况下, 药物总量的增加不仅提高了相互作用的可能性, 还增加了相互作用机制的
复杂性. 药物间的相互作用可能包括协同作用和拮抗作用等多种类型. 为了应对这一挑战, SSMD 模型通过综合考
虑患者的多源问诊信息和药物间的结构化关系, 旨在提供一个更为精确和个性化的药物推荐方案. SSMD 模型即
使在药物总量较大的情况下, 也能够有效为患者提供安全的治疗方案. 这一点在图 4 的对比分析中得到体现,
SSMD 模型在推荐相同数量药物的情况下, 展现出了更低的 DDI 率, 这表明了其在药物推荐安全性方面的优势.

40 0.10 40 0.10
药物数量 DDI率 药物数量 DDI率
35 0.09 35 0.09
0.08
30
药物数量 25 0.07 DDI率 药物数量 30 0.08 DDI率
25
0.07
0.06
20
15 0.05 20 0.06
15
0.05
10 0.04 10 0.04
LR RETAIN LEAP DMNC SafeDrug 4SDrug Carmen SHAPE SSMD LR RETAIN LEAP DMNC SafeDrug 4SDrug Carmen SHAPE SSMD
模型 模型
(a) MIMIC-III (b) MIMIC-IV
图 4 不同方法在 MIMIC-III 和 MIMIC-IV 两数据集上的药物数量和 DDI 率对比

为了研究嵌入维度对模型性能的影响, 我们设置嵌入维度区间为 [32, 64, 128, 256, 512] 进行实验. 如图 5 所
示, 随着嵌入维度的增加, 模型的预测效能起初显著提升; 然而, 当维度持续增加时, 效能逐渐趋于稳定, 甚至出现
下降趋势. 这些发现暗示了一个适中的嵌入维度能够促进模型性能的提升, 而过高的维度则可能导致模型过度拟
合. 我们发现, 在嵌入维度设定为 64–256 的区间时, 模型展现出最佳的效能, 这一范围有效地平衡了模型的表示能
力和泛化能力. 进一步地, 可以观察到, 随着嵌入维度的扩大, 虽然模型容量增加, 但所获得的边际效益逐渐减少,
且可能会削弱模型的泛化能力. 综上所述, 我们的实验结果阐明了嵌入维度如何影响模型性能, 并且识别出了一种
最优化的嵌入维度设置, 该设置能够最大化预测精度, 同时避免模型过度拟合.
为了研究 SSMD 在建模患者纵向依赖信息方面的表现, 本文设计并实施了一项对比实验, 该实验旨在分析在
MIMIC-III 和 MIMIC-IV 数据集中, 患者问诊频次对模型性能所产生的影响. 实验结果通过图 6 进行直观展示, 清
晰地揭示了在不同的就诊频率区间内, SSMD 模型在大多数情况下均展现出了卓越的性能. 进一步地分析发现患
者就诊频次的增加与 SSMD 模型性能的提升之间存在显著的正相关关系. 这证明 SSMD 模型能够有效地整合患
者的长期医疗信息, 进而在药物推荐任务中实现更为精确的预测.