ترجمه فارسی مقاله یادگیری متضاد در اهداف پزشکی برای توصیه های نسخه متوالی

چکیده

Recent advancements in sequential modeling applied to Electronic Health Records (EHR) have greatly influenced prescription recommender systems. While the recent literature on drug recommendation has shown promising performance, the study of discovering a diversity of coexisting temporal relationships at the level of medical codes over consecutive visits remains less explored. The goal of this study can be motivated from two perspectives. First, there is a need to develop a sophisticated sequential model capable of disentangling the complex relationships across sequential visits. Second, it is crucial to establish multiple and diverse health profiles for the same patient to ensure a comprehensive consideration of different medical intents in drug recommendation. To achieve this goal, we introduce Attentive Recommendation with Contrasted Intents (ARCI), a multi-level transformer-based method designed to capture the different but coexisting temporal paths across a shared sequence of visits. Specifically, we propose a novel intent-aware method with contrastive learning, that links specialized medical intents of the patients to the transformer heads for extracting distinct temporal paths associated with different health profiles. We conducted experiments on two real-world datasets for the prescription recommendation task using both ranking and classification metrics. Our results demonstrate that ARCI has outperformed the state-of-the-art prescription recommendation methods and is capable of providing interpretable insights for healthcare practitioners.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر در مدل سازی پی در پی اعمال شده در سوابق بهداشت الکترونیکی (EHR) تا حد زیادی بر سیستم های پیشنهادی نسخه تأثیر گذاشته است.در حالی که ادبیات اخیر در مورد توصیه دارو ، عملکرد امیدوار کننده ای را نشان داده است ، مطالعه کشف تنوع روابط زمانی همزیستی در سطح کدهای پزشکی در بازدیدهای متوالی کمتر مورد بررسی قرار گرفته است.هدف از این مطالعه می تواند از دو منظر انگیزه داشته باشد.اول ، نیاز به ایجاد یک مدل متوالی پیشرفته وجود دارد که قادر به جدا کردن روابط پیچیده در بازدیدهای پی در پی است.دوم ، ایجاد پروفایل های بهداشتی متعدد و متنوع برای همان بیمار بسیار مهم است تا از توجه جامع اهداف مختلف پزشکی در توصیه دارو اطمینان حاصل شود.برای دستیابی به این هدف ، ما توصیه های توجه را با اهداف متضاد (ARCI) معرفی می کنیم ، یک روش مبتنی بر ترانسفورماتور چند سطحی که برای ضبط مسیرهای زمانی متفاوت اما همزیستی در یک دنباله مشترک از بازدیدها طراحی شده است.به طور خاص ، ما یک روش جدید آگاهی را با یادگیری متضاد پیشنهاد می کنیم ، که اهداف پزشکی تخصصی بیماران را به سرهای ترانسفورماتور برای استخراج مسیرهای زمانی متمایز مرتبط با پروفایل های مختلف بهداشتی پیوند می دهد.ما با استفاده از معیارهای رتبه بندی و طبقه بندی ، آزمایشاتی را در دو مجموعه داده در دنیای واقعی انجام دادیم.نتایج ما نشان می دهد که ARCI از روشهای توصیه شده از نسخه های پیشرفته استفاده کرده و قادر به ارائه بینش قابل تفسیر برای پزشکان مراقبت های بهداشتی است.