数据驱动的慢性病并发症风险评估及联合用药推荐方法研究

Considering chronic diseases and their complications has become a major threat to the health of the elderly in China, this project performs machine learning and medical large data analysis method to address the problem for evaluation of complications of chronic diseases, the prediction of adverse drug reactions, and recommendation for combination therapy. Using the mass medical data accumulate by the research group, this project constructs a risk assessment model of chronic disease complications based on similar network fusion, establishes a multi-drug combined risk assessment model based on multiple regression, and studies the recommendation method of combination therapy based on super-network model. The projects develops the chronic disease personalized medical service support system for application demonstration. Driven by data, this project provide a theoretical and practical support for improving the level of medical information services in China, the rational use of medical resources, and exploring the new chronic disease complications of personalized treatment model.

当前，慢性病及其并发症已成为威胁我国老年人健康的最主要因素之一，针对临床医学研究中的慢性病并发症评估、药品不良反应预测、联合用药推荐等难题，采用机器学习和医疗大数据分析的方法，在课题组积累的海量医疗数据基础上，构建基于相似网络融合的慢性病并发症风险评估模型，建立基于多元回归的多药联合风险评估模型，研究基于超网络模型的联合用药推荐方法，并通过慢性病个性化医疗服务支持系统进行应用示范，以数据为驱动，为提高我国医疗信息服务水平、合理利用医疗资源、探索新的慢性病并发症个性化治疗模式提供理论与实践支撑。

本项目以慢性病并发风险评估与用药推荐为背景，以数据—信息—知识为主线，运用大数据分析与人工智能技术，分别对慢性病智能诊断、医疗文本挖掘、药物推荐、处方预测及时间序列挖掘等内容进行了深入研究，取得了丰富的研究成果，累计发表高水平学术论文21篇，包括多篇CCF A类和B类论文，以及相关领域Top刊物论文。在慢性病智能诊疗方面，利用语音识别与面部特征识别等方法，判断帕金森患者并发的小肌肉群控制障碍问题；在医疗文本挖掘方面，提出实体归一化框架，以及结合条件随机场的时域卷积网络的生物医学命名实体识别模型，用于挖掘病历数据中的实体及关系；在药物推荐方面，提出基于图神经网络的异构图表示学习方法，挖掘药物-靶点异构网络中潜在的语义信息；在处方预测方面，提出一种可以反映治疗过程的模型和一个用于反映回复过程的模型；在时间序列挖掘方面，提出基于不确定性的多元时间序列分类算法，以及基于相对方差思想衡量样本不确定性的方法，使得模型具备筛选不确定性样本的能力。上述研究成果应用在多种常见慢性病的诊疗过程中，包括帕金森、乳腺癌、心衰、风湿关节炎、心脏病等。本项目旨在创建智能医疗健康服务的基础研究及应用落地模式，解决智能健康信息服务管理中的实际难题，为我国居民提供优质的智能医疗健康服务支持。