Google與加大舊金山分校合作,發展可提升醫生開立處方正確性的機器學習技術,最新的研究結果,研究人員使用長短期記憶模型(LSTM),可精確預測出醫生可能為病患開立的處方藥物。研究人員提到,目前模型僅從歷史資料學習醫生的開藥方式,還不能真正用來偵測異常,但是學習何為正常行為是研究的第一步。

雖然沒有醫生和護士想要故意犯錯傷害病患,但是根據研究統計,有2%的住院患者,會遭遇到嚴重與用藥相關的失誤,而這些失誤可能對病患造成永久傷害或是死亡,導致失誤的原因有很多,通常無法歸咎單一醫療護理人員,而是因為系統問題、程序錯誤或是工作條件不足造成。

為了降低這些可避免的失誤發生機率,研究人員想要發展一種醫生處方警示系統,比當前標準健康記錄軟體中,以規則偵測錯誤的方法更為複雜,能根據患者當前狀態找出異常處方,這種系統類似信用卡盜刷偵測系統,當發現異常模式能夠主動發出警示。

不過,要在特定時機給病患什麼樣的藥物,醫生和藥師都需要經過長年的培訓,才能掌握這些知識,而由於現在醫療院所廣泛地使用電子病例,因此能夠使用這些資料,以機器學習模型來辨識正常與異常的處方模式。

Google與加大舊金山分校合作發表的論文,發展以機器學習,預測電子健康紀錄資料中的住院藥物處方,透過過去的紀錄,評估機器學習預期醫生開立處方的程度,用來訓練模型的資料集包括了10萬多次住院紀錄,以及300萬份的藥物處方。

這個研究評估了兩種機器學習模型,分別是長短期記憶模型(LSTM),以及常用於臨床研究基於規則的時間分組邏輯模型;研究人員比較這兩種方法,根據一般醫療、外科手術和心臟血管科等醫院服務,以及入院時間,對常用的藥物進行排名。根據這些歷史資料,兩個模型會對990種藥物進行排名,並且預測這些藥物實際進入醫生處方的機率。

研究人員舉例說明評估模型的方式,當病例是一名有感染現象的民眾,模型會根據電子健康紀錄中,像是體溫、白血球數以及呼吸頻率升高等資訊,評估各種藥物成為處方的可能性,並且與醫生實際開出的藥物處方進行比較。

研究人員提到,他們發現長短期記憶模型表現較佳,這類模型對文字和語言序列資料特別有效,能夠捕捉資料中,事件的順序和時間間隔。長短期記憶模型所預測的前10名藥物清單,有93%準確度至少有一種藥物,會出現在醫生第二天開立的處方中,而有55%的精確度,模型會正確地將醫生開出的藥物,排在前10名藥物清單第一位,且有75%的機率,處方中的所有藥物都出現在前25名藥物清單中。

研究人員提到,雖然模型沒有學習最佳藥物處方調配方法,或是藥物知識,僅就歷史資料中的醫生行為,就學會了預測藥物的方法,接下來他們會將這個研究,用於探索可能對病患造成傷害的用藥錯誤。


Advertisement

更多 iThome相關內容