谷歌开发机器学习模型，预警潜在危险

据统计，每年死于用药失误的人数比死于工伤的人数还要多。

尽管没有医生或者护士愿意犯错，2%的住院病人经历过可能危及生命或造成永久伤害的药物相关事件，而这些都是由于原本可以避免的失误导致的。

用药失误导致医疗失误的因素很多，往往都是由于不完善的系统、工具、流程或工作条件。如今，这一情况有望被AI解决。

谷歌健康的机器学习专家与加州大学旧金山分校（UCSF）计算与健康科学部门联合发表了一项新的研究，描述了研究人员建立的一个机器学习模型，该模型可以使用病人的电子健康记录（EHR）作为输入，预测医生正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。

该研究发表在《临床药理学和治疗学》杂志上。

10万病例的300万份处方，训练两种机器学习模型

用于模型训练的数据集包括来自超过10万住院病人的大约300万份药物处方。

研究人员使用了回顾性的电子健康记录数据，所有的研究都是使用开源的快速医疗互操作资源（FHIR）格式完成的，之前有研究已经证明使用这种格式使医疗数据对于机器学习更加有效。

同时数据集并不局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，但也有助于确保模型可以识别更多种类的情况——例如，脱水患者需要不同于创伤性损伤患者的药物治疗。

为了保护隐私，这些数据已经经过了随机移动日期和删除记录个人隐私数据的处理，包括姓名、地址、联系方式、记录号码、医生姓名、图像等等。

根据这些数据，研究人员训练了两种机器学习模型：一种是长时短记忆（LSTM）递归神经网络模型，另一个是常用于临床研究的规则化、时间序列的逻辑模型。

研究人员将这两种模型与一个简单的基准进行比较，该基准根据患者的医院服务（例如，普通内科、普通外科、妇产科、心脏病学等）和入院后的时间长短，对最常使用的药物进行排序。在回顾性数据中，医生每次开出一种药物时，模型对990种可能的药物进行排序，然后研究人员再看模型与医生实际开出的药物处方相吻合。

打个比方，假设一个有感染迹象的病人到达医院，该模型回顾了病人电子健康记录中记录的信息：高温、白细胞数量升高、呼吸频率加快，并估计了在这种情况下不同药物的处方可能性，将模型给出的概率最高的几种药物与与医生实际处方的药物（在这个例子中，抗生素万古霉素和氯化钠溶液）相对比。

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，结果还是比较可靠的。

几乎所有（93%）的情况下，模型给出的药物中排名前10中，都包含至少一种临床医生一天之后实际会开出的药物；

55%的情况下，模型将医生开的所有处方药包括在最有可能的10种处方药中；

75%的情况下，模型将医生开的所有处方药包括在最有可能的25种处方药中；

即使对于“假阴性”（医生要求的药物没有出现在前25位的结果中） ，42%的情况下该模型会将同类药物纳入排名。

这种表现不能用仅仅预测先前处方药的模型来解释，即使我们在应用模型时屏蔽了以前的处方，它仍然保持了高性能。

这对医生和病人来说意味着什么？

值得注意的是，这种方式训练的模型只是对医生的行为的重现，因为它出现在历史数据，模型并没有学到如何开具最佳的处方——这些药物工作机理是什么，或什么副作用可能会发生。

然而，学习“正常”的处方是为了最终发现不正常、有潜在危险的处方。研究人员表示，在下一阶段的研究中，他们将检查在什么情况下，这些模型可以发现可能造成伤害的药物误用。

这是一项探索性的工作，结果表明机器学习可以应用于建立防止用药错误，帮助保护患者安全。

研究人员表示期待着与医生、药剂师、其他临床医生和患者合作，以量化这样的模型是否能够及时捕捉到用药错误，帮助保证患者在医院的安全。