HADRec：融合分子知识与电子健康记录的分层感知药物推荐框架

研究者提出 HADRec 药物推荐框架，针对现有方法将药物视为离散 token、忽视分子结构与药理机制，以及扁平推荐范式未利用 ATC 分层逻辑两个局限。该框架用 LLaMA-7B 编码临床笔记、ChemBERTa 编码药物 SMILES 字符串以构建全局分子知识库，通过 cross-attention 融合患者状态与药物特征，并引入分层预测器与一致性约束损失。在 MIMIC-III 上，HADRec 在 Jaccard、F1、PR-AUC 指标上取得 SOTA；MIMIC-IV 外部验证显示泛化能力与校准表现。

此前药物推荐多以药物离散编号建模，忽略分子结构与国际 ATC 分层体系，推荐结果与药理逻辑脱节。该工作把分子知识与 EHR 融合，并显式约束预测遵循 ATC 层级依赖，为药物推荐提供了从扁平分类转向结构化、多模态建模的可参考路径。

机制上，HADRec 用 LLaMA-7B 从临床笔记得到患者表示，用 ChemBERTa 从 SMILES 构建药物分子表示，形成全局分子知识库；再以 cross-attention 完成患者状态与药物特征的多模态融合；分层预测器加一致性约束损失，使预测符合 ATC 层级依赖，从而把分子药理信息纳入推荐决策。

对医疗 AI 产品，该方案提示药物推荐模块可接入分子结构与 ATC 分层约束，而非仅依赖历史处方共现；研发上需引入分子编码模型与层级损失，增加算力与工程复杂度。MIMIC-IV 上 ECE=0.04、Brier=0.06 的校准表现，说明输出置信度可用于临床辅助场景的风险评估。

• 在临床决策支持产品中试点引入 ATC 层级约束的药物推荐模块，并与现有基于历史处方共现的推荐做离线对比。
• 将分子编码模型与结构化药物知识库作为可复用组件，用于药品知识图谱或用药合理性审核工具。
• 在模型输出中加入置信度校准字段，用于辅助医生判断推荐结果的可采信程度。

• HADRec 在真实临床工作流中的推理时延与部署成本是否可接受，证据未说明。
• 研究未披露与临床医生实际处方的一致性对比或前瞻性验证结果。
• 一致性约束损失对 ATC 层级之外药物类别的适用性尚未确认。
• 缺少多机构、多语种 EHR 数据的独立复现验证。