تشخیص و طبقه بندی تداخلات دارو با دارو (DDI) از داده های موجود از اهمیت بالایی برخوردار است زیرا گزارش ها نشان می‌دهد که DDI یکی از دلایل اصلی شرایط اکتسابی در بیمارستان است. همچنین برای مراقبت های بهداشتی هوشمند برای جلوگیری از تداخلات دارویی نامطلوب، داشتن دانش به روز در مورد DDI ضروری است. این دانش را می توان با استفاده از تکنیک های پردازش متن در ادبیات پزشکی در قالب «کلان داده» استخراج کرد. ادبیات پزشکی در حجم بسیار زیادی منتشر می شود، و جمع آوری تمام گزارش های بررسی شده از این کلان داده برای متخصصان مراقبت های بهداشتی غیرممکن است. برای جلوگیری از این روش زمان‌بر، تکنیک های استخراج اطلاعات (IE) و استخراج رابطه (RE) که به طور عمیق در پردازش زبان طبیعی (NLP) مورد مطالعه قرار گرفته اند. پیشرفته ترین پیاده سازی های فعلی برای استخراج DDIها از متون زیست پزشکی، از ماشین های بردار پشتیبان (SVM) یا سایر روش های یادگیری ماشینی استفاده می کنند که بر روی ویژگی های تعریف شده دستی کار می کنند. تکنیک های مدرن یادگیری عمیق نیز برای استخراج خودکار DDIها از متون علمی به کار گرفته شده اند و ثابت کرده اند که برای پیشرفت وظایف استخراج DDI بسیار امیدوارکننده هستند. ما یک روش مبتنی بر شبکه عصبی عمیق (SEV-DDI: شدت تداخل دارو) با چند لایه یکپارچه تر برای دستیابی به دقت و دقت بالاتر پیشنهاد کردیم. توانایی تعیین شدت DDI برای سیستم های پشتیبانی تصمیم گیری بالینی دقیق تر و آگاهانه تر بسیار مفید خواهد بود.

تداخل دارو با دارو استخراج اطلاعات یادگیری عمیق پزشکی مراقبت های بهداشتی هوشمند