换一批机器学习在多重用药不良事件预测中的应用:典型方法与案例的综述
Machine learning for predicting adverse drug events in polypharmacy:a review of methods and case studies
摘要老年群体中多重用药现象普遍存在,不当用药易引发药品不良事件(ADE).部分ADE在单一药物使用时发生率较低,仅在多重用药情境下由特定药物组合触发,因此可能呈现罕见特征.传统统计模型受假设条件限制及数据处理能力不足的影响,预测准确性欠佳;而机器学习技术凭借对数据的有效处理能力,可显著提升预测效能,在药物相互作用预测方面表现尤为突出.本文旨在综述机器学习在多重用药ADE预测中的研究进展,聚焦其在分子微观层面与人群宏观层面的应用案例.在分子微观层面,图卷积神经网络Decagon基于多模态生物网络建模实现ADE预测;SimplE模型借助张量分解技术大幅缩短训练时间;双视角药物表征学习网络整合药物原子结构信息后获得较高的预测精度.在人群层面研究中,结合电子健康记录数据,随机森林算法和图神经网络均能针对不同类别药物相关的ADE进行预测.然而,该领域目前仍面临诸多挑战,如模型可解释性不足、对数据质量要求严苛以及跨机构数据共享存在壁垒等.未来,通过融合因果推断与机器学习技术,实现对个性化治疗安全性的精准评估,从而帮助降低多重用药ADE风险.
更多相关知识
关键词
多重用药药品不良事件机器学习图卷积神经网络预测模型PolypharmacyAdverse drug eventsMachine learningGraph convolutional neural networkPrediction model
分类号
R969.3（药理学）TP181
栏目名称
DOI
10.12173/j.issn.1005-0698.202505005
发布时间
2026-04-16（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2
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
