盡管沒(méi)有醫(yī)生或者護(hù)士愿意犯錯(cuò)，2%的住院病人經(jīng)歷過(guò)可能危及生命或造成永久傷害的藥物相關(guān)事件，而這些都是由于原本可以避免的失誤導(dǎo)致的。

用藥失誤導(dǎo)致醫(yī)療失誤的因素很多，往往都是由于不完善的系統(tǒng)、工具、流程或工作條件。如今，這一情況有望被AI解決。

谷歌健康的機(jī)器學(xué)習(xí)專家與加州大學(xué)舊金山分校（UCSF）計(jì)算與健康科學(xué)部門聯(lián)合發(fā)表了一項(xiàng)新的研究，描述了研究人員建立的一個(gè)機(jī)器學(xué)習(xí)模型，該模型可以使用病人的電子健康記錄（EHR）作為輸入，預(yù)測(cè)醫(yī)生正常應(yīng)該采用的用藥模式，從而在實(shí)際用藥與預(yù)測(cè)結(jié)果不一致時(shí)提醒醫(yī)生。

該研究發(fā)表在雜志上。

論文地址：

https://ascpt.onlinelibrary.wiley.com/doi/10.1002/cpt.1826

用于模型訓(xùn)練的數(shù)據(jù)集包括來(lái)自超過(guò)10萬(wàn)住院病人的大約300萬(wàn)份藥物處方。

研究人員使用了回顧性的電子健康記錄數(shù)據(jù)，所有的研究都是使用開源的快速醫(yī)療互操作資源（FHIR）格式完成的，之前有研究已經(jīng)證明使用這種格式使醫(yī)療數(shù)據(jù)對(duì)于機(jī)器學(xué)習(xí)更加有效。

同時(shí)數(shù)據(jù)集并不局限于特定的疾病或治療領(lǐng)域，這使得機(jī)器學(xué)習(xí)任務(wù)更具挑戰(zhàn)性，但也有助于確保模型可以識(shí)別更多種類的情況——例如，脫水患者需要不同于創(chuàng)傷性損傷患者的藥物治療。

為了保護(hù)隱私，這些數(shù)據(jù)已經(jīng)經(jīng)過(guò)了隨機(jī)移動(dòng)日期和刪除記錄個(gè)人隱私數(shù)據(jù)的處理，包括姓名、地址、聯(lián)系方式、記錄號(hào)碼、醫(yī)生姓名、圖像等等。

根據(jù)這些數(shù)據(jù)，研究人員訓(xùn)練了兩種機(jī)器學(xué)習(xí)模型：一種是長(zhǎng)時(shí)短記憶（LSTM）遞歸神經(jīng)網(wǎng)絡(luò)模型，另一個(gè)是常用于臨床研究的規(guī)則化、時(shí)間序列的邏輯模型。

研究人員將這兩種模型與一個(gè)簡(jiǎn)單的基準(zhǔn)進(jìn)行比較，該基準(zhǔn)根據(jù)患者的醫(yī)院服務(wù)（例如，普通內(nèi)科、普通外科、婦產(chǎn)科、心臟病學(xué)等）和入院后的時(shí)間長(zhǎng)短，對(duì)最常使用的藥物進(jìn)行排序。在回顧性數(shù)據(jù)中，醫(yī)生每次開出一種藥物時(shí)，模型對(duì)990種可能的藥物進(jìn)行排序，然后研究人員再看模型與醫(yī)生實(shí)際開出的藥物處方相吻合。

打個(gè)比方，假設(shè)一個(gè)有感染跡象的病人到達(dá)醫(yī)院，該模型回顧了病人電子健康記錄中記錄的信息：高溫、白細(xì)胞數(shù)量升高、呼吸頻率加快，并估計(jì)了在這種情況下不同藥物的處方可能性，將模型給出的概率最高的幾種藥物與與醫(yī)生實(shí)際處方的藥物（在這個(gè)例子中，抗生素萬(wàn)古霉素和氯化鈉溶液）相對(duì)比。

在最后的6383組測(cè)試數(shù)據(jù)中，結(jié)果還是比較可靠的。

幾乎所有（93%）的情況下，模型給出的藥物中排名前10中，都包含至少一種臨床醫(yī)生一天之后實(shí)際會(huì)開出的藥物；

55%的情況下，模型將醫(yī)生開的所有處方藥包括在最有可能的10種處方藥中；

75%的情況下，模型將醫(yī)生開的所有處方藥包括在最有可能的25種處方藥中；

即使對(duì)于“假陰性”（醫(yī)生要求的藥物沒(méi)有出現(xiàn)在前25位的結(jié)果中） ，42%的情況下該模型會(huì)將同類藥物納入排名。

這種表現(xiàn)不能用僅僅預(yù)測(cè)先前處方藥的模型來(lái)解釋，即使我們?cè)趹?yīng)用模型時(shí)屏蔽了以前的處方，它仍然保持了高性能。

值得注意的是，這種方式訓(xùn)練的模型只是對(duì)醫(yī)生的行為的重現(xiàn)，因?yàn)樗霈F(xiàn)在歷史數(shù)據(jù)，模型并沒(méi)有學(xué)到如何開具最佳的處方——這些藥物工作機(jī)理是什么，或什么副作用可能會(huì)發(fā)生。

然而，學(xué)習(xí)“正常”的處方是為了最終發(fā)現(xiàn)不正常、有潛在危險(xiǎn)的處方。研究人員表示，在下一階段的研究中，他們將檢查在什么情況下，這些模型可以發(fā)現(xiàn)可能造成傷害的藥物誤用。

這是一項(xiàng)探索性的工作，結(jié)果表明機(jī)器學(xué)習(xí)可以應(yīng)用于建立防止用藥錯(cuò)誤，幫助保護(hù)患者安全。

研究人員表示期待著與醫(yī)生、藥劑師、其他臨床醫(yī)生和患者合作，以量化這樣的模型是否能夠及時(shí)捕捉到用藥錯(cuò)誤，幫助保證患者在醫(yī)院的安全。

相關(guān)報(bào)道：

https://ai.googleblog.com/2020/04/a-step-towards-protecting-patients-from.html