GraphDiffMed：融合噪聲感知注意力與藥理約束的用藥推薦新方法
從電子健康記錄（EHR）中推薦安全有效的藥物組合是臨牀AI的核心問題，但由於患者軌跡長、噪聲大且臨牀異質性高，該任務仍然充滿挑戰。現有方法通常擅長跨就診的時間建模或藥理知識整合（如藥物-藥物相互作用，DDI），但很少能同時實現二者並穩健抑制噪聲。為此，研究人員提出了GraphDiffMed，一個基於雙尺度差分注意力v2的知識約束用藥推薦框架。
GraphDiffMed的核心創新在於將差分注意力同時應用於就診內和跨就診兩個層面。差分注意力v2是一種改進的注意力機制，通過計算兩個注意力分佈的差異來過濾噪聲，從而減少虛假相關性。就診內差分注意力過濾單個就診記錄中的虛假信號，而跨就診差分注意力則關注患者歷史軌跡中的時序模式。這種雙尺度設計有效減少了噪聲干擾，同時保留了關鍵臨牀信息。此外，模型在學習過程中融入了藥理圖先驗約束，例如藥物相互作用知識，以確保推薦組合的安全性。藥理圖先驗包括藥物-藥物相互作用網絡和藥物-疾病關聯等，幫助模型在推薦時避免有害組合。
在MIMIC-III數據集上的實驗和消融研究表明，GraphDiffMed在推薦質量和排名指標上持續優於強基線方法，並實現了更有利的安全性能平衡。消融實驗顯示，雙尺度差分注意力和藥理約束各自對性能提升有貢獻。令人驚訝的是，表現最佳的配置僅使用了人口統計學輔助特徵（如年齡、性別），而未使用更復雜的診斷或程序代碼，這凸顯了差分注意力機制本身的高效性。總體而言，GraphDiffMed證明，將噪聲感知注意力與藥理約束相結合能夠產生更可靠且具有臨牀意義的用藥推薦。
該研究的代碼已在GitHub上開源（https://github.com/saxenakrati09/GraphDiffMed），為後續研究提供了復現和擴展的基礎。未來工作可能探索更復雜的藥理知識圖譜集成以及在不同臨牀環境中的遷移能力。此外，由於MIMIC-III是單一數據庫，模型在其他環境中的泛化性有待驗證。儘管如此，GraphDiffMed為噪聲環境下基於EHR的用藥推薦提供了一個有前景的方向。