医生开错了药?人工智能提醒!谷歌和UCSF合作开发高性能潜在危险预警的机器学习模型

云栖息地编号信息:[点击查看更多行业信息]

在这里,您可以找到来自不同行业的第一手云信息。你还在等什么?来吧。

医生开错了药?人工智能提醒!谷歌和UCSF合作开发高性能潜在危险预警的机器学习模型

统计,每年死于用药失误的人数超过死于工伤的人数。

虽然没有医生或护士愿意犯错误,但2%的住院患者经历过可能危及其生命或造成永久性伤害的药物相关事件,这些事件是由可避免的错误造成的。

有许多因素会导致由于用药错误导致的医疗错误,通常是由于不完善的系统、工具、流程或工作条件。现在,这种情况有望由人工智能来解决。

谷歌健康机器学习专家和UCSF 旧金山加州大学计算与健康科学系联合发表了一项新的研究,描述了由研究人员建立的机器学习模型。该模型可以使用患者的电子健康记录(EHR)作为输入来预测医生通常应该采用的用药模式,从而在实际用药与预测结果不一致时提醒医生。

这项研究发表在杂志《临床药理学和治疗学》上。

医生开错了药?人工智能提醒!谷歌和UCSF合作开发高性能潜在危险预警的机器学习模型

论文地址:

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

10万病例的300万份处方,训练两种机器学习模型

用于模型培训的数据集包括来自10多万住院患者的约300万张药物处方。

研究人员使用回顾性电子健康记录数据。所有研究都是使用开源快速医疗互操作资源(FHIR)格式完成的。以前的研究已经证明,使用这种格式可以使医学数据对机器学习更有效。

同时,数据集不限于特定的疾病或治疗领域,这使得机器学习任务更具挑战性,而且还有助于确保模型能够识别更多种类的情况——。例如,脱水病人需要不同于外伤病人的药物。

为了保护隐私,这些数据被随机移动和删除,以记录个人隐私数据,包括姓名、地址、联系信息、记录号、医生姓名、图像等。

医生开错了药?人工智能提醒!谷歌和UCSF合作开发高性能潜在危险预警的机器学习模型

基于这些数据,研究人员训练了两种机器学习模型:一种是长期短记忆(LSTM)递归神经网络模型,另一种是临床研究中常用的常规时间序列逻辑模型。

医生开错了药?人工智能提醒!谷歌和UCSF合作开发高性能潜在危险预警的机器学习模型

研究人员将这两个模型与一个简单的基准进行了比较,该基准根据患者的医院服务(如普通内科、普通外科、妇产科、心脏病学等)对最常用的药物进行了排名。)和入院后的时间长度。在回顾性数据中,每次医生开出一种药物时,该模型都会对990种可能的药物进行分类,然后研究人员查看该模型,看它是否与医生开出的实际药物处方一致。

例如,假设有感染迹象的患者到达医院,该模型检查患者电子健康记录中记录的信息:高温、白细胞数量增加、呼吸频率加快,并估计在这种情况下不同药物的处方可能性,将模型给出的最高概率的药物与医生实际处方的药物(在本例中,抗生素万古霉素和氯化钠溶液)进行比较。

一半情况下,实际处方在模型给出的前十结果中

在最后的6383组测试数据中,结果相对可靠。

几乎在所有病例中(93%),该模型给出的前10种药物包括至少一种由临床医生在一天后实际开出的药物。

医生开错了药?人工智能提醒!谷歌和UCSF合作开发高性能潜在危险预警的机器学习模型

在55%的病例中,该模型包括医生在10种最有可能的处方药中开出的所有处方药。

医生开错了药?人工智能提醒!谷歌和UCSF合作开发高性能潜在危险预警的机器学习模型

在75%的病例中,该模型包括医生在25种最有可能的处方药中开出的所有处方药。

即使是“假阴性”(医生要求的药物不会出现在前25个结果中),该模型也会对42%的病例中的类似药物进行排名。

这种表现不能用只预测先前处方的模型来解释。即使我们在应用模型时屏蔽了前面的处方,它仍然保持高性能

这对医生和病人来说意味着什么?

值得注意的是,以这种方式训练的模型只是医生行为的再现,因为它出现在历史数据中。该模型还没有学会如何开出最好的处方。这些药物的作用机制是什么,或者可能会出现什么副作用。

然而,学习“正常”处方是为了最终发现异常和潜在危险的处方。研究人员说,在研究的下一阶段,他们将检查在什么情况下这些模型可以检测到可能造成伤害的药物滥用。

这是一项探索性的工作。结果表明,机器学习可以应用于预防用药错误和帮助保护病人的安全。

研究人员表示,他们期待与医生、药剂师、其他临床医生和患者合作,量化此类模型是否能及时捕捉用药错误,并帮助确保医院患者的安全。

相关报告:

https://ai . googleblog.com/2020/04/a-step-to-protection-patients-from . html

[云起在线教室]产品和技术专家每天分享!

课程地址:https://yqh.aliyun.com/live

立即加入社区,与专家面对面,并了解课程的最新进展!

[云栖在线课堂社区]https://c.tb.cn/F3.Z8gvnK

发布者:2020-04-12

作者:抽象细菌

这篇文章来自“大数据文摘”。了解相关信息可以专注于“大数据摘要”