GraphDiffMed：融合噪声感知注意力与药理约束的用药推荐新方法
从电子健康记录（EHR）中推荐安全有效的药物组合是临床AI的核心问题，但由于患者轨迹长、噪声大且临床异质性高，该任务仍然充满挑战。现有方法通常擅长跨就诊的时间建模或药理知识整合（如药物-药物相互作用，DDI），但很少能同时实现二者并稳健抑制噪声。为此，研究人员提出了GraphDiffMed，一个基于双尺度差分注意力v2的知识约束用药推荐框架。
GraphDiffMed的核心创新在于将差分注意力同时应用于就诊内和跨就诊两个层面。差分注意力v2是一种改进的注意力机制，通过计算两个注意力分布的差异来过滤噪声，从而减少虚假相关性。就诊内差分注意力过滤单个就诊记录中的虚假信号，而跨就诊差分注意力则关注患者历史轨迹中的时序模式。这种双尺度设计有效减少了噪声干扰，同时保留了关键临床信息。此外，模型在学习过程中融入了药理图先验约束，例如药物相互作用知识，以确保推荐组合的安全性。药理图先验包括药物-药物相互作用网络和药物-疾病关联等，帮助模型在推荐时避免有害组合。
在MIMIC-III数据集上的实验和消融研究表明，GraphDiffMed在推荐质量和排名指标上持续优于强基线方法，并实现了更有利的安全性能平衡。消融实验显示，双尺度差分注意力和药理约束各自对性能提升有贡献。令人惊讶的是，表现最佳的配置仅使用了人口统计学辅助特征（如年龄、性别），而未使用更复杂的诊断或程序代码，这凸显了差分注意力机制本身的高效性。总体而言，GraphDiffMed证明，将噪声感知注意力与药理约束相结合能够产生更可靠且具有临床意义的用药推荐。
该研究的代码已在GitHub上开源（https://github.com/saxenakrati09/GraphDiffMed），为后续研究提供了复现和扩展的基础。未来工作可能探索更复杂的药理知识图谱集成以及在不同临床环境中的迁移能力。此外，由于MIMIC-III是单一数据库，模型在其他环境中的泛化性有待验证。尽管如此，GraphDiffMed为噪声环境下基于EHR的用药推荐提供了一个有前景的方向。