End-to-End $n$-äre Relationsextraktion für Kombinations-Therapien mit Arzneimitteln

Kombinationsmedikationen sind Behandlungsregime, die zwei oder mehr Medikamente umfassen und häufig bei Patienten mit Krebs, HIV, Malaria oder Tuberkulose angewendet werden. Derzeit gibt es über 350.000 Artikel in PubMed, die das MeSH-Schlagwort "Kombinationsmedikation" verwenden, wobei in den letzten zwei Jahrzehnten jährlich mindestens 10.000 Artikel veröffentlicht wurden. Das Extrahieren von Kombinationsbehandlungen aus wissenschaftlicher Literatur stellt eindeutig ein $n$-äres Relationsextraktionsproblem dar. Im Gegensatz zur allgemeinen $n$-ären Situation, bei der $n$ fest ist (z.B. Medikament-Gene-Mutation-Beziehungen, bei denen $n=3$), ist das Extrahieren von Kombinationsbehandlungen eine spezielle Situation, bei der $n \geq 2$ dynamisch ist und von jedem Einzelfall abhängt. Kürzlich stellten Tiktinsky et al. (NAACL 2022) einen ersten Datensatz vom Typ CombDrugExt vor, der dazu dient, solche Therapien aus der Literatur zu extrahieren. Hier verwenden wir eine sequenzbasierte End-to-End-Extraktionsmethode, um einen F1-Score von $66{,}7\,\%$ auf dem CombDrugExt-Testset für positive (oder effektive) Kombinationen zu erreichen. Dies stellt eine absolute Verbesserung des F1-Scores um etwa $\approx 5\,\%$ dar, sogar im Vergleich zum besten vorherigen Relationklassifikationsscore mit identifizierten Medikamentenentitäten (also nicht End-to-End). Somit führt unser Ansatz zu einem erstklassigen ersten Modell für die End-to-End-Extraktion, das bereits besser als das beste vorherige nicht End-to-End-Modell für diese Aufgabe ist. Unser Modell extrahiert alle Medikamentenentitäten und Beziehungen nahtlos in einem einzigen Durchgang und eignet sich hervorragend für dynamische $n$-äre Extraktionszenarien.