论文
通过反事实数据增强和 大语言模型 改进罕见药物推荐
Improving Rare Medication Recommendation with Counterfactual Data Augmentation and Large Language Models
摘要
基于人工智能的药物推荐系统因其提高患者安全和治疗效果的潜力而引起了广泛关注。尽管准确推荐罕见处方药物（稀有药物）具有临床重要性，但我们观察到大多数现有方法对稀有药物的预测性能明显较低。我们将此问题归因于两个内在限制：（a）稀有药物数据固有的稀缺性和（b）对共同推荐药物的考虑有限。为了解决这些限制，我们提出了 GenRxR，这是一种基于 大语言模型 (LLM) 的新颖框架。 GenRxR 利用 LLM 的医学知识和临床推理能力来生成反事实的医学数据，缓解稀有药物的数据稀缺问题。它还将 LLM 集成到药物推荐流程中，以模拟共同推荐药物之间的关系。为了进一步增强临床推理，我们引入了指令调整步骤，使 LLM 的功能与推荐任务保持一致，从而能够更好地处理临床环境，包括稀有药物病例。在我们的实验中，我们表明 GenRxR 在大多数情况下优于 14 个（包括 5 个基于 LLM 的）基线。具体来说，它对稀有药物的预测性能比最强基线高出 30.9%。