基于知识图谱的潜在不适当用药预测

目的 为提高潜在不适当用药（potentially inappropriate medication, PIM）预测的准确率，提出一种结合知识图谱和机器学习的PIM预测模型。方法 首先，基于2019版Beers标准，以知识图谱为基本结构，构建具有逻辑表达能力的PIM知识表示体系，实现从患者信息到PIM的推理过程。其次，利用分类器链算法建立每个PIM标签的机器学习预测模型，从数据中学习潜在特征关联。最后，根据样本量阈值，将知识图谱的部分推理结果作为分类器链上的输出标签，增加低频PIM预测结果的可靠性。结果 实验采用来自成都地区9家医疗机构的11 741份处方数据，对模型有效性进行评估。实验表明，该模型对于PIM数量预测的准确率为98.10%,F1值为93.66%，对于PIM多标签预测的汉明损失为0.06%,macro-F1为66.09%，与现有模型相比有着更高的预测精度。结论 该PIM预测模型具有更好的潜在不适当用药预测性能，并且对于低频PIM标签识别效果提升显著。