首页|基于知识图谱联合ERNIE-DPCNN模型的药品不良反应自动关联性评价方法研究

基于知识图谱联合ERNIE-DPCNN模型的药品不良反应自动关联性评价方法研究

Evaluation of the relevance of adverse drug reaction based on ERNIE-DPCNN

扫码查看
原文链接
  • 维普
  • 万方数据
目的 针对当前药品不良反应关联性评价存在的效率较低和主观性评估问题,通过建立药品不良反应关联性评价模型,探索药品不良反应自动关联性评价方法.方法 利用文献及互联网来源,对获取的不良反应报告标注数据(7301条)进行知识抽取,构建药品不良反应知识图谱,建立知识驱动的ERNIE-DPCNN自动关联性评价模型.结果 提出的知识图谱联合ERNIE-DPCNN模型在测试集中的精确度、召回率和F1值分别达到82.18％、81.40％、81.21％,相对于其他基线模型各项评估指标均取得了最高值.结论 知识图谱联合ERNIE-DPCNN模型的方法能提高药品不良反应关联性评价效率,具备较强的准确性,并在一定程度上减少主观性评估误差,对基于人工智能的自动化评价有一定参考价值.

adverse drug reaction (ADR)ERNIE-DPCNN modelknowledge graphcorrelations of evaluationnatural language processingdeep learningartificial intelligence

贾晋生、刘红亮、王青、侯永芳、李馨龄

展开 >

国家药品监督管理局药品评价中心,国家药品监督管理局药物警戒研究与评价重点实验室,北京 100076

清华大学药物警戒信息技术与数据科学创新中心,北京 100084

药品不良反应 ERNIE-DPCNN模型 知识图谱 关联性评价 文本分类 深度学习 人工智能

国家重点研发计划

2020YFC2005501

2024

10.19803/j.1672-8629.20230632

中国药物警戒
国家药品监督管理局药品评价中心（国家药品不良反应监测中心）

中国药物警戒

CSTPCD
影响因子：1.105
ISSN：1672-8629
年,卷(期)：2024.21(2)
  • 15