跳到主要内容
返回时间线
arXiv来源发表:

用药轨迹异常检测不再只看整条记录:L2G-Joint把可疑就诊定位到具体几次访视

核心概要

纵向用药轨迹中的可疑偏差往往只藏在少数几次就诊里,而按账户整体打分容易把局部信号稀释掉。L2G-Joint用药物知识图谱和医保目录约束构造多粒度的代理异常,并加入知识一致的合理变体作为负样本,再让每次可评分就诊共享同一个异常分数,经Top-20%选择性聚合得到账户级判断。在City-A的代理基准上,它的Macro AP为0.7844、Macro AUROC为0.7707、定位Macro AP为0.7215,分别比各自最强对照相对提升约2.4%、3.6%和9.2%。

Source-provided article image: Knowledge-Guided Local-to-Global Anomaly Learning for Longitudinal Medication Trajectories
arXiv

深度剖析

用药轨迹的异常判断现在可以同时给出账户级结论和就诊级位置,而不只是给整条记录一个分数。 此前的通用异常监督难以区分临床上合理的换药与语义上可疑的偏离,而只做账户级监督又无法确定异常落在哪几次就诊。 在City-A由用药记录构造的代理基准上,L2G-Joint的Macro AP为0.7844、Macro AUROC为0.7707、定位Macro AP为0.7215,最强账户级对照Account-Pooled Transformer为0.7659和0.7439,最强定位对照AnomalyBERT-Proxy为0.6605。

模型把每次可评分就诊编码成一个局部异常分数,账户级分数由这些局部分数选择性聚合而来。 聚合采用Top-20%,即只保留得分最高的20%就诊的对数几率再求和,而不是对全部就诊取平均或只取最大值。 在City-A上,Top-20%聚合的Macro AP为0.7844、Macro AUROC为0.7707,高于Mean的0.7727和0.7588与Max的0.7782和0.7628;聚合比例升到0.30时,测试Macro AP降到0.7664。

代理异常不是随机扰动,而是按药物知识约束在三种粒度上替换或注入真实片段。 K1替换单条药物,K2替换7–30天的治疗片段,K3从另一账户注入连续就诊段;K1-Same和K2-Same作为知识一致的合理变体充当负样本。 去掉Same负样本的匹配消融使K1、K2、K3的AP分别下降0.0091、0.0103和0.0099,Macro AP下降0.0098,而Macro AUROC与定位Macro AP基本不变。

启示与展望

结果来自City-A与City-B两个城市用药记录构造的代理基准,异常正例是知识约束下的扰动轨迹,而非经临床核实的真实异常;City-A使用8,855个合格账户按70/10/20划分,City-B仅562个账户并采用负担受控的五折折外评估。

检测到的偏差无法确定是真正的临床异常还是复杂但合理的治疗演变;City-B上加入定位监督把定位Macro AP从0.3637提高到0.4985,却使Macro AP从0.6527降到0.6372,说明定位监督对账户级检测的额外收益随队列而变。