雖然沒有醫(yī)生,、護(hù)士或藥劑師希望犯下傷害患者的錯(cuò)誤，但研究表明,，2% 的住院患者會(huì)經(jīng)歷嚴(yán)重的可預(yù)防的藥物相關(guān)事件會(huì)危及生命,、造成永久性傷害或?qū)е滤劳觥?dǎo)致醫(yī)療失誤的因素有很多,，通常根源于系統(tǒng),、工具、流程或工作條件的缺陷,，而不是個(gè)別臨床醫(yī)生的缺陷（IOM 報(bào)告））,。為了緩解這些挑戰(zhàn)，人們可以想象一個(gè)比標(biāo)準(zhǔn)電子健康記錄軟件中提供的當(dāng)前基于規(guī)則的錯(cuò)誤警報(bào)更復(fù)雜的系統(tǒng),。該系統(tǒng)將識(shí)別對患者而言看起來異常的處方及其當(dāng)前情況,，類似于對被盜卡上的非典型信用卡購買發(fā)出警告的系統(tǒng)。然而,，在任何給定的時(shí)間確定哪種藥物適合任何給定的患者是復(fù)雜的——醫(yī)生和藥劑師在獲得技能之前經(jīng)過多年的培訓(xùn),。隨著電子健康記錄的廣泛使用，現(xiàn)在可以使用這些數(shù)據(jù)來識(shí)別正常和異常的處方模式,。

在探索解決此問題的初步努力中,，我們與 UCSF 的合作伙伴Bakar 計(jì)算健康科學(xué)研究所 將在《臨床藥理學(xué)和治療學(xué)》雜志上發(fā)表“在電子健康記錄數(shù)據(jù)中預(yù)測住院醫(yī)囑”,，評估機(jī)器學(xué)習(xí)在多大程度上可以根據(jù)電子健康記錄預(yù)測醫(yī)生的正常處方模式。與我們之前的工作類似,，我們使用了來自去識(shí)別化患者記錄的綜合臨床數(shù)據(jù),，包括生命體征序列、實(shí)驗(yàn)室結(jié)果,、既往用藥,、手術(shù)、診斷等,。根據(jù)患者當(dāng)前的臨床狀態(tài)和病史,，我們的最佳模型能夠在四分之三的時(shí)間內(nèi)預(yù)測醫(yī)生的實(shí)際處方?jīng)Q定。

模型訓(xùn)練

用于模型訓(xùn)練的數(shù)據(jù)集包括來自超過 100,000 次住院治療的大約 300 萬份藥物訂單,。它使用回顧性電子健康記錄的數(shù)據(jù),，將其去標(biāo)識(shí)通過隨機(jī)地移位日期，并按照HIPAA,，包括姓名,，地址，聯(lián)系信息,，記錄號,，醫(yī)師姓名，自由文本注釋,，圖像去除記錄的識(shí)別部分,，和更多。該數(shù)據(jù)未加入或與任何其他數(shù)據(jù)合并,。所有研究都是使用開源的快速醫(yī)療保健互操作性資源 (FHIR)格式完成的,，我們以前曾使用該格式使醫(yī)療保健數(shù)據(jù)更有效地用于機(jī)器學(xué)習(xí). 數(shù)據(jù)集不限于特定的疾病或治療領(lǐng)域，這使得機(jī)器學(xué)習(xí)任務(wù)更具挑戰(zhàn)性,，但也有助于確保模型能夠識(shí)別更多種類的疾?。焕?，脫水患者與外傷患者需要不同的藥物治療,。

我們評估了兩種機(jī)器學(xué)習(xí)模型：長短期記憶(LSTM)循環(huán)神經(jīng)網(wǎng)絡(luò)和正則化的時(shí)間段邏輯模型，常用于臨床研究,。兩者都與一個(gè)簡單的基線進(jìn)行比較,，該基線根據(jù)患者的醫(yī)院服務(wù)（例如，普通醫(yī)療,、普通外科,、產(chǎn)科、心臟病學(xué)等）和入院后的時(shí)間對最常訂購的藥物進(jìn)行排名。每次在回顧性數(shù)據(jù)中訂購藥物時(shí),，模型都會(huì)對 990 種可能的藥物進(jìn)行排序,，我們評估模型是否為醫(yī)生在每種情況下實(shí)際訂購的藥物分配了高概率。

作為如何評估模型的示例,，假設(shè)一名患者到達(dá)醫(yī)院時(shí)有感染跡象,。該模型審查了患者電子健康記錄中記錄的信息——高溫、白細(xì)胞計(jì)數(shù)升高,、呼吸頻率加快——并估計(jì)了在這種情況下開出不同藥物的可能性,。該模型的性能是通過將其排名選擇與醫(yī)生實(shí)際開出的藥物（在本例中，抗生素萬古霉素和氯化鈉溶液用于補(bǔ)液）進(jìn)行比較來評估的,。

結(jié)果

我們表現(xiàn)最好的模型是 LSTM 模型,，這是一類對處理序列數(shù)據(jù)（包括文本和語言）特別有效的模型。這些模型能夠捕獲數(shù)據(jù)中事件的排序和時(shí)間新近度,，使其成為解決此問題的不錯(cuò)選擇,。

幾乎所有 (93%) 前 10 名列表都包含至少一種藥物，臨床醫(yī)生將在第二天為給定患者訂購這些藥物,。在 55% 的時(shí)間里,，模型正確地將醫(yī)生開出的藥物列為前 10 名最有可能的藥物之一，并且 75% 的訂購藥物被排在前 25 名,。即使對于“假陰性”——醫(yī)生訂購的藥物沒有出現(xiàn)在前 25 個(gè)結(jié)果中的情況——該模型也有 42% 的時(shí)間在同一類別中對藥物進(jìn)行了高度評價(jià),。這種表現(xiàn)并不能通過模型簡單地預(yù)測先前規(guī)定的藥物來解釋。即使我們讓模型對之前的藥物訂單不知情,，它也保持了高性能。

這對患者和臨床醫(yī)生意味著什么,？

重要的是要記住,，以這種方式訓(xùn)練的模型復(fù)制了歷史數(shù)據(jù)中出現(xiàn)的醫(yī)生行為，并且沒有學(xué)習(xí)最佳處方模式,、這些藥物如何起作用或可能發(fā)生什么副作用,。然而，學(xué)習(xí)“正?！笔亲罱K發(fā)現(xiàn)異常,、潛在危險(xiǎn)命令的起點(diǎn)。在我們下一階段的研究中,，我們將研究這些模型在哪些情況下有助于發(fā)現(xiàn)可能傷害患者的用藥錯(cuò)誤,。

這項(xiàng)探索性工作的結(jié)果是檢驗(yàn)機(jī)器學(xué)習(xí)可用于構(gòu)建防止錯(cuò)誤并幫助確保患者安全的系統(tǒng)的假設(shè)的早期第一步,。我們期待與醫(yī)生,、藥劑師、其他臨床醫(yī)生和患者合作，繼續(xù)研究以量化此類模型是否能夠捕捉錯(cuò)誤,，確?；颊咴卺t(yī)院內(nèi)的安全。