图片

在现代医疗服务中，精准的用药推荐对于提升患者治疗效果和减少药物相互作用风险至关重要。尽管现有的用药推荐模型主要依赖于结构化数据（如诊断代码、诊治代码和药物代码），但电子病历（EMR）中仍包含大量未结构化和半结构化数据（例如临床记录），这些数据在用药推荐中的潜力尚未得到充分挖掘。本文提出了一种利用大语言模型提取文本表示，并将其与医学代码表示相结合的方法来优化用药推荐。

 

本文首先回顾了现有的药物推荐方法。早期方法主要分为基于实例的方法和纵向方法。基于实例的方法仅根据当前就诊记录进行推荐，其缺点是无法利用患者的病史信息。纵向方法则考虑患者历次就诊的完整序列，它们更注重患者状态的变化，并尝试模拟医生处方过程。本文还介绍了引入转换模型架构和“复制或预测”机制的方法，等等。

 

图片

然而，上述方法主要关注结构化数据的处理，而忽略了电子病历中所包含的大量非结构化和半结构化数据。本文指出，临床文本中蕴含着丰富的未开发潜力，可以为医生的决策提供宝贵的见解。在大语言模型出现之前，处理非结构化数据需要大量的文本预处理，这既费时又费力。大语言模型的出现是一个重要里程碑。大语言模型具有强大的语言理解和生成能力，可以无需复杂的预处理直接从临床记录等复杂文本中提取信息。

 

本文的核心在于提出了一种利用大语言模型提取文本表示，并将其与医学代码表示相结合的方法。该方法首先利用大语言模型从临床记录中提取文本表示，然后将其与医学代码嵌入相结合，形成一个融合了结构化和非结构化数据的嵌入表示。本文详细描述了大语言模型文本表示的提取过程，包括分块处理、隐藏状态提取和平均池化等步骤。该方法可以应用于多种现有的用药推荐模型，并通过实验验证其有效性。

 

图片

本文在两个数据集上进行了实验，以评估大语言模型文本表示的有效性和文本表示与医学代码表示相结合的效果。实验结果表明，仅使用大语言模型文本表示就能达到与仅使用医学代码表示相当的性能。将大语言模型文本表示与医学代码表示相结合，则可以进一步提高用药推荐的性能，在不同基准模型上均取得了显著的改进。

 

本文还讨论了该方法的局限性以及未来的研究方向。局限性包括大语言模型的计算成本较高，以及对大语言模型输出的可靠性需要进一步研究。未来的研究方向包括探索更有效的大语言模型文本表示提取方法，研究不同大语言模型模型对用药推荐性能的影响，以及将该方法应用于其他医疗任务。

 

图片

总之，本文提出了一种新颖且有效的利用大语言模型优化药物推荐的方法。该方法充分利用了大语言模型强大的语言理解能力，有效地整合了电子病历中的结构化和非结构化数据，从而提高了用药推荐的准确性和可靠性。这项研究为药物推荐领域提供了一种有前景的新方法，并为未来的研究提供了有价值的参考。本文的实验结果充分证明了该方法的有效性，并为进一步研究大语言模型在医疗领域的应用提供了坚实的基础。该方法的通用性也使其具有广泛的应用前景，可以应用于其他医疗领域的任务，例如疾病诊断和治疗方案推荐等。