换一批摘要目的 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.
更多相关知识
关键词
潜在不适当用药机器学习知识图谱多标签分类Potentially inappropriate medicationMachine learningKnowledge graphMulti-label classification
DOI
10.12182/20230960108
发布时间
2023-10-24（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览0
- 被引4
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
