根據3月25日發表在《JAMA Internal Medicine》上的研究，由Google的科學家開發的機器學習模型在早期測試中成功記錄并繪制了醫患對話中的疾病癥狀，但該技術還有很長的路要走。

Google資深研究科學家，加州大學助理教授Alvin Rajkomar醫學博士是第一作者，醫學博士Alvin Rajkomar博士說：“通過在患者訪視期間通過語音識別使醫療記錄的文書工作自動化，可以使醫生直接花更多的時間與患者在一起。 ，舊金山等。在日記中寫道。“我們考慮了使用機器學習自動填充系統（ROS）中遇到的所有癥狀的評論的可行性。”

團隊先前開發的遞歸神經網絡是提供更多動手護理并關注患者的又一機會，能夠區分與患者病情相關的相關癥狀和無關癥狀。研究人員從90，000個先前手動轉錄的相遇池中隨機選擇了2，547個醫學相遇記錄本，其中2，091個用于訓練模型，其中456個用于測試模型。其余的成績單用于無監督的培訓。

抄寫員用185種癥狀標記了2500多個轉錄本，并為每種癥狀指定了與ROS的相關性，因為它與患者的經歷有關。機器學習模型的輸入是一個包含五個會話輪次或摘要的滑動窗口，輸出分別提到了每種癥狀，與患者的相關性以及患者是否經歷過該癥狀。

在2091個測試集中，研究小組報告了5970個癥狀提及，其中79.3%與ROS有關，其中74.2%是患者經歷的。在整個測試集中，模型的靈敏度為67.7%，陽性癥狀的陽性預測值為80.6%。

作者進一步說，該模型對不清楚癥狀的敏感性為67.8%，對于明確提及癥狀的敏感性為92.2%。如果兩個隨機選擇的抄寫員都獨立地將ROS中包括任何給定癥狀的可能性評估為“極有可能”，則認為該癥狀被“明確提及”。

Rajkomar及其同事寫道：“該模型將準確記錄-意味著正確識別癥狀，正確分類與筆記的相關性以及是否分配經驗豐富的人-明確提到的癥狀占87.9%，不清楚的癥狀占60%，” “通過經歷使這種技術適應簡單的ROS自動繪制任務的過程，我們報告了以前未曾考慮過的關鍵挑戰：模糊地提到了很大一部分癥狀，因此，甚至人類抄寫員也不同意如何記錄它們。”

作者說，該模型在明顯提及的癥狀上表現良好，這令人鼓舞，但遠非完美。

他們寫道：“解決這個問題將需要精確的溝通，盡管不是繁瑣的術語。” “將需要進一步的研究來幫助臨床醫生完成更有意義的任務，例如記錄當前的病史。”