基于异构星型网络分析的药物推荐改进算法HIC-MedRank

来源：计算机应用杂志2017年第8期北京时间：

作者：邹林霖, 李学明, 李雪, 袁洪, 刘星

单位：1. 重庆大学 计算机学院, 重庆 400044;2. 重庆大学 信息物理社会可信服务计算教育部重点实验室, 重庆 400044;3. 昆士兰大学 信息技术与电子工程学院, 澳大利亚 布里斯班 4072;4. 中南大学 湘雅三医院心内科, 长沙 410013

摘要：伴随着医疗文献数据库的快速增长，缺乏经验的初级医师在为患者开处方时难以阅读大量的医疗文献来获得科学的决策辅助。2013年提出的MedRank算法从Medline数据库中提取医学信息异构星型网络，基于"有疗效的药物是由好的文章提及的，好的文章是由优秀的作者写的并刊登在高水平的期刊上"的假设，旨在为各类疾病的患者推荐最具有疗效的药物。该算法仍然存在几个问题：1）模型输入的疾病不是独立的疾病；2）推荐的结果不是具体的药物；3）没有考虑文章的发表时间等其他因素；4）没有定义判定作者、期刊、文章是"好的"的标准。对以上问题进行了研究并提出HIC-MedRank算法，该算法纳入作者的H指数、期刊的影响因子、文章的引用数作为评判作者、期刊、文章是否优秀的指标，并综合考虑文章的发表时间、支持机构、发表类型等因素，为高血压合并慢性肾脏病（CKD）患者推荐最佳的降压药物。在Medline数据集上的实验结果显示HIC-MedRank推荐的药物比MedRank算法推荐的药物更为精准，与主治医师投票选择的药物较为一致，与美国成人高血压治疗指南（JNC）推荐的药物一致性达到80%。

关键词：异构信息网络,数据挖掘,临床决策支持,H指数,高血压,慢性肾脏病,药物推荐

基金资助：国家863计划项目（2015AA015308）；国家自然科学基金资助项目（81273594）；国家科技重大专项（2012ZX09303014001）。