據(jù)統(tǒng)計，每年死于用藥失誤的人數(shù)比死于工傷的人數(shù)還要多。

盡管沒有醫(yī)生或者護士愿意犯錯，2%的住院病人經(jīng)歷過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致的。

用藥失誤導致醫(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。

谷歌健康的機器學習專家與加州大學舊金山分校（UCSF）計算與健康科學部門聯(lián)合發(fā)表了一項新的研究，描述了研究人員建立的一個機器學習模型，該模型可以使用病人的電子健康記錄（EHR）作為輸入，預測醫(yī)生正常應該采用的用藥模式，從而在實際用藥與預測結(jié)果不一致時提醒醫(yī)生。

該研究發(fā)表在《臨床藥理學和治療學》雜志上。

10萬病例的300萬份處方，訓練兩種機器學習模型

用于模型訓練的數(shù)據(jù)集包括來自超過10萬住院病人的大約300萬份藥物處方。

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)對于機器學習更加有效。

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

為了保護隱私，這些數(shù)據(jù)已經(jīng)經(jīng)過了隨機移動日期和刪除記錄個人隱私數(shù)據(jù)的處理，包括姓名、地址、聯(lián)系方式、記錄號碼、醫(yī)生姓名、圖像等等。

根據(jù)這些數(shù)據(jù)，研究人員訓練了兩種機器學習模型：一種是長時短記憶（LSTM）遞歸神經(jīng)網(wǎng)絡模型，另一個是常用于臨床研究的規(guī)則化、時間序列的邏輯模型。

研究人員將這兩種模型與一個簡單的基準進行比較，該基準根據(jù)患者的醫(yī)院服務（例如，普通內(nèi)科、普通外科、婦產(chǎn)科、心臟病學等）和入院后的時間長短，對最常使用的藥物進行排序。在回顧性數(shù)據(jù)中，醫(yī)生每次開出一種藥物時，模型對990種可能的藥物進行排序，然后研究人員再看模型與醫(yī)生實際開出的藥物處方相吻合。

打個比方，假設一個有感染跡象的病人到達醫(yī)院，該模型回顧了病人電子健康記錄中記錄的信息：高溫、白細胞數(shù)量升高、呼吸頻率加快，并估計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)生實際處方的藥物（在這個例子中，抗生素萬古霉素和氯化鈉溶液）相對比。

一半情況下，實際處方在模型給出的前十結(jié)果中

在最后的6383組測試數(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)生一天之后實際會開出的藥物；

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；

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

這種表現(xiàn)不能用僅僅預測先前處方藥的模型來解釋，即使我們在應用模型時屏蔽了以前的處方，它仍然保持了高性能。

這對醫(yī)生和病人來說意味著什么？

值得注意的是，這種方式訓練的模型只是對醫(yī)生的行為的重現(xiàn)，因為它出現(xiàn)在歷史數(shù)據(jù)，模型并沒有學到如何開具最佳的處方——這些藥物工作機理是什么，或什么副作用可能會發(fā)生。

然而，學習“正?！钡奶幏绞菫榱俗罱K發(fā)現(xiàn)不正常、有潛在危險的處方。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。

這是一項探索性的工作，結(jié)果表明機器學習可以應用于建立防止用藥錯誤，幫助保護患者安全。

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捕捉到用藥錯誤，幫助保證患者在醫(yī)院的安全。