Page 425 - 《软件学报》2026年第3期
P. 425

1388                                                       软件学报  2026  年第  37  卷第  3  期


                 此外, 从表  3  中还可以观察到     SSMD w/o SR  变体性能的减弱, 这表明药物间结构化关系的挖掘有利于促进药物拓
                 扑表征的学习. 为了评估       DDI 知识对模型性能的影响, 我们构建了            SSMD w/o CL  变体. 实验结果表明, 图对比学
                 习有助于模型更好地捕获结构化信息, 并在降低               DDI 风险方面发挥了重要作用.

                                  表 3 MIMIC-III 和  MIMIC-IV  数据集上  SSMD  不同成分的消融研究

                                            MIMIC-III                             MIMIC-IV
                     模型
                                 Jaccard     F1-score     PRAUC       Jaccard      F1-score    PRAUC
                  SSMD w/o Dig  0.4962±0.0019  0.6521±0.0017  0.7587±0.0019  0.4853±0.0018  0.6489±0.0016  0.7421±0.0019
                  SSMD w/o Pro  0.5019±0.0018  0.6608±0.0015  0.7624±0.0017  0.4921±0.0020  0.6538±0.0018  0.7485±0.0022
                  SSMD w/o Enc  0.5294±0.0020  0.6820±0.0018  0.7743±0.0021  0.5059±0.0023  0.6621±0.0019  0.7523±0.0024
                  SSMD w/o RA  0.5291±0.0016  0.6823±0.0015  0.7742±0.0017  0.5046±0.0017  0.6615±0.0015  0.7524±0.0019
                  SSMD w/o SR  0.5465±0.0013  0.6873±0.0011  0.7869±0.0013  0.5183±0.0012  0.6724±0.0011  0.7685±0.0012
                  SSMD w/o CL  0.5527±0.0017  0.6995±0.0016  0.7891±0.0017  0.5220±0.0015  0.6743±0.0014  0.7692±0.0014
                     SSMD      0.5563±0.0016  0.7027±0.0015  0.7924±0.0016  0.5256±0.0015  0.6785±0.0013  0.7720±0.00 14

                    为了更清晰地展示图对比学习对            EHR  图嵌入表征的影响, 本文采用         t-SNE [61] 降维算法对使用图对比学习前
                 后  EHR  图嵌入表征进行了二维可视化, 如图          8  所示, 我们可以直观地发现使用图对比学习前的              EHR  图嵌入  E e  中
                 的药物分布比较紧凑, 这可能导致模型输出的药物有更高概率出现                      DDI; 而使用图对比学习后的         EHR  图嵌入   ˜ E e
                 则更具判别性, 图中可以发现药物分布具有清晰的类簇结构, 从而使得模型更容易输出具有协同效果的药物组合,
                 降低  DDI 的风险.






                                                         ~                            ~
                                  (a) 10epoch- e  (b) 10epoch- e  (c) 25epoch- e  (d) 25epoch- e
                                        图 8 使用图对比学习前后        EHR  图嵌入表示的可视化

                    综合以上实验观察, 我们可以得出结论: SSMD            模型能够有效地整合纵向患者问诊信息和药物结构化关系, 为
                 患者推荐合适的药物组合. 这一综合能力对于提高临床决策的准确性和安全性具有重要意义.
                  3.5   案例实验

                    为了更直观地展示       SSMD  模型推荐的药物组合优势, 我们将          SafeDrug、4SDrug、Carmen、SHAPE  以及本文
                 提出的   SSMD  在  MIMIC-III 数据集上推荐的药物组合方案进行了对比实验. 以             MIMIC-III 测试集上的患者病例作
                 为参照, 分析了各方法预测的药物组合和实际临床药物标签之间的一致性, 进一步验证                           SSMD  模型在真实世界场
                 景下的准确性.
                    根据表   4  所示数据, 我们对比了规定的药物治疗方案与不同模型所预测的结果. 在首次问诊中, 本文提出
                 的  SSMD  模型展现了最佳的性能, 准确预测          17  种药物, 并推荐了   3  种先前未见过的药物. 与之对比, SafeDrug      模
                 型则预测出了     15  种正确的药物及     5  种未见过药物, 这些预测的药物具有相对较低的               DDI 率. 4SDrug  模型预测
                 了  14  种正确的药物, 3  种未见过的药物, 有      3  种实际需要的药物被遗漏, 说明这一方法倾向于预测较少的药物,
                 可能导致一些重要的药物被遗漏. Carmen            模型预测了    15  种正确的药物, 5   种未见过的药物, 遗漏了         2  种药物.
                 SHAPE  模型则预测正确了      16  种药物, 仅有  1  种药物遗漏. VITA   模型推荐了     15  种正确的药物, 遗漏了     2  种, 并
                 预测了其他    6  种未见过的药物. 针对同一患者的治疗, SSMD           共推荐了    20  种药物, 其中正确药物的数目为         17  种.
                 通过比较可以知道, SSMD       不仅在预测药物组合方面更有效和安全, 而且在药物数量方面也足够丰富. 对于第                           2
                 次问诊, SSMD   的性能表现与此类似, 准确预测了           17  种正确的药物和     4  种未见过的药物, 尽管遗漏       1  种实际需
                 要的药物. 综合前面的实验结果, 通过这些案例研究进一步验证了本文提出的                         SSMD  在预测准确性和安全性方
                 面的能力.
   420   421   422   423   424   425   426   427   428   429   430