불확실성 필터링을 통한 콜드-스타트 약물 추천을 위한 사용자 적응형 메타 학습

User-Adaptive Meta-Learning for Cold-Start Medication Recommendation with Uncertainty Filtering

대규모 전자 건강 기록(EHR) 데이터베이스는 데이터 기반 치료 추천을 통해 임상 의사 결정을 지원하는 데 필수적인 역할을 합니다. 그러나 기존 약물 추천 방법은 종종 사용자(즉, 환자) 콜드-스타트 문제에 어려움을 겪습니다. 콜드-스타트 문제는 새로운 환자에 대한 추천이 환자 프로필을 위한 충분한 처방 기록 부족으로 인해 일반적으로 신뢰성이 떨어지는 현상을 의미합니다. 기존 연구에서는 의학 지식 그래프를 활용하여 약물 개념을 약리학적 또는 화학적 관계를 통해 연결했지만, 이러한 방법은 주로 아이템 콜드-스타트 문제를 완화하는 데 초점을 맞추고 있으며, 개별 환자 특성에 맞춰 개인화된 추천을 제공하는 데는 부족한 부분이 있습니다. 메타 학습은 추천 시스템에서 희소한 상호 작용을 가진 새로운 사용자를 처리하는 데 유망한 접근 방식으로 나타났습니다. 그러나 EHR 데이터의 고유한 순차적 구조로 인해 EHR에 대한 메타 학습의 적용은 아직 충분히 연구되지 않았습니다. 이러한 과제를 해결하기 위해, 우리는 환자 콜드-스타트 문제를 해결하기 위해 설계된 다층 구조의 불확실성 기반 메타 학습 프레임워크인 MetaDrug을 제안합니다. MetaDrug은 자기 적응(self-adaptation)과 동료 적응(peer-adaptation)을 포함하는 새로운 2단계 메타 적응 메커니즘을 제안합니다. 자기 적응은 모델이 자신의 의료 이벤트를 지원 세트로 사용하여 시간적 의존성을 파악하고, 새로운 환자에 적응합니다. 동료 적응은 모델이 유사한 방문 기록을 가진 동료 환자의 정보를 활용하여 새로운 환자의 표현을 풍부하게 합니다. 또한, 메타 적응 결과를 더욱 개선하기 위해, 우리는 지원 방문의 중요도를 평가하고 관련 없는 정보를 필터링하여 적응의 일관성을 높이는 불확실성 정량화 모듈을 도입했습니다. 우리는 MIMIC-III 및 급성 신장 손상(AKI) 데이터 세트를 사용하여 제안하는 방법을 평가했습니다. 두 데이터 세트 모두에서 수행한 실험 결과, MetaDrug이 콜드-스타트 환자에 대해 최첨단 약물 추천 방법보다 일관되게 우수한 성능을 보이는 것을 확인했습니다.

Large-scale Electronic Health Record (EHR) databases have become indispensable in supporting clinical decision-making through data-driven treatment recommendations. However, existing medication recommender methods often struggle with a user (i.e., patient) cold-start problem, where recommendations for new patients are usually unreliable due to the lack of sufficient prescription history for patient profiling. While prior studies have utilized medical knowledge graphs to connect medication concepts through pharmacological or chemical relationships, these methods primarily focus on mitigating the item cold-start issue and fall short in providing personalized recommendations that adapt to individual patient characteristics. Meta-learning has shown promise in handling new users with sparse interactions in recommender systems. However, its application to EHRs remains underexplored due to the unique sequential structure of EHR data. To tackle these challenges, we propose MetaDrug, a multi-level, uncertainty-aware meta-learning framework designed to address the patient cold-start problem in medication recommendation. MetaDrug proposes a novel two-level meta-adaptation mechanism, including self-adaptation, which adapts the model to new patients using their own medical events as support sets to capture temporal dependencies; and peer-adaptation, which adapts the model using similar visits from peer patients to enrich new patient representations. Meanwhile, to further improve meta-adaptation outcomes, we introduce an uncertainty quantification module that ranks the support visits and filters out the unrelated information for adaptation consistency. We evaluate our approach on the MIMIC-III and Acute Kidney Injury (AKI) datasets. Experimental results on both datasets demonstrate that MetaDrug consistently outperforms state-of-the-art medication recommendation methods on cold-start patients.