GraphDiffMed：ノイズ認識注意と薬理制約を融合した投薬推薦の新しいアプローチ
電子健康記録（EHR）から安全で効果的な薬剤組み合わせを推薦することは臨床AIの中核課題ですが、患者の経過が長く、ノイズが多く、臨床的に不均一であるため、依然として困難です。既存手法は通常、受診間の時間モデリングか薬理知識統合（薬物相互作用など）のいずれかに優れていますが、ノイズをロバストに抑制しながら両方を達成することは稀です。本研究では、二重スケール微分注意v2に基づく知識制約付き投薬推薦フレームワークGraphDiffMedを提案します。
GraphDiffMedの中心的な革新は、微分注意を受診内と受診間の両方のレベルで適用することです。微分注意v2は、二つの注意分布の差を計算してノイズをフィルタリングする改良された注意機構であり、偽の相関を低減します。受診内微分注意は個々の受診記録内のスプリアス信号をフィルタリングし、受診間微分注意は患者の履歴における時系列パターンに焦点を当てます。この二重スケール設計により、ノイズ干渉を効果的に低減しつつ、重要な臨床情報を保持します。さらに、モデルは学習プロセス中に薬理グラフの事前制約（薬物相互作用知識など）を組み込み、推薦される組み合わせの安全性を確保します。薬理グラフ事前知識には、薬物-薬物相互作用ネットワークや薬物-疾患関連などが含まれ、有害な組み合わせを避けるのに役立ちます。
MIMIC-IIIデータセットでの実験とアブレーション研究により、GraphDiffMedは推薦品質とランキング指標において強力なベースラインを一貫して上回り、より好ましい安全性性能バランスを達成することが示されました。アブレーション研究では、二重スケール微分注意と薬理制約のそれぞれが性能向上に寄与していることが確認されました。驚くべきことに、最良の構成は人口統計学的補助特徴（年齢、性別など）のみを使用しており、より複雑な診断コードや処置コードを使用していないことから、微分注意機構自体の効率性が強調されています。全体として、GraphDiffMedはノイズ認識注意と薬理制約の組み合わせが、より信頼性が高く臨床的に意味のある投薬推薦をもたらすことを実証しています。
本研究のコードはGitHub（https://github.com/saxenakrati09/GraphDiffMed）でオープンソース化されており、今後の研究の再現と拡張の基盤を提供しています。将来の研究では、より複雑な薬理知識グラフの統合や、異なる臨床環境への転移可能性を探ることが考えられます。また、MIMIC-IIIは単一データベースであるため、他環境での汎化性は今後の検証課題です。それでも、GraphDiffMedはノイズ下でのEHRベース投薬推薦に有望な方向性を示しています。