|
视频介绍：保护患者免受用药错误的一步 虽然没有医生、护士或药剂师希望犯下伤害患者的错误，但研究表明，2% 的住院患者会经历严重的可预防的药物相关事件会危及生命、造成永久性伤害或导致死亡。导致医疗失误的因素有很多，通常根源于系统、工具、流程或工作条件的缺陷，而不是个别临床医生的缺陷（IOM 报告））。为了缓解这些挑战，人们可以想象一个比标准电子健康记录软件中提供的当前基于规则的错误警报更复杂的系统。该系统将识别对患者而言看起来异常的处方及其当前情况，类似于对被盗卡上的非典型信用卡购买发出警告的系统。然而，在任何给定的时间确定哪种药物适合任何给定的患者是复杂的——医生和药剂师在获得技能之前经过多年的培训。随着电子健康记录的广泛使用，现在可以使用这些数据来识别正常和异常的处方模式。 在探索解决此问题的初步努力中，我们与 UCSF 的合作伙伴Bakar 计算健康科学研究所 将在《临床药理学和治疗学》杂志上发表“在电子健康记录数据中预测住院医嘱”，评估机器学习在多大程度上可以根据电子健康记录预测医生的正常处方模式。与我们之前的工作类似，我们使用了来自去识别化患者记录的综合临床数据，包括生命体征序列、实验室结果、既往用药、手术、诊断等。根据患者当前的临床状态和病史，我们的最佳模型能够在四分之三的时间内预测医生的实际处方决定。 模型训练用于模型训练的数据集包括来自超过 100,000 次住院治疗的大约 300 万份药物订单。它使用回顾性电子健康记录的数据，将其去标识通过随机地移位日期，并按照HIPAA，包括姓名，地址，联系信息，记录号，医师姓名，自由文本注释，图像去除记录的识别部分，和更多。该数据未加入或与任何其他数据合并。所有研究都是使用开源的快速医疗保健互操作性资源 (FHIR)格式完成的，我们以前曾使用该格式使医疗保健数据更有效地用于机器学习. 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，但也有助于确保模型能够识别更多种类的疾病；例如，脱水患者与外伤患者需要不同的药物治疗。 我们评估了两种机器学习模型：长短期记忆(LSTM)循环神经网络和正则化的时间段逻辑模型，常用于临床研究。两者都与一个简单的基线进行比较，该基线根据患者的医院服务（例如，普通医疗、普通外科、产科、心脏病学等）和入院后的时间对最常订购的药物进行排名。每次在回顾性数据中订购药物时，模型都会对 990 种可能的药物进行排序，我们评估模型是否为医生在每种情况下实际订购的药物分配了高概率。 作为如何评估模型的示例，假设一名患者到达医院时有感染迹象。该模型审查了患者电子健康记录中记录的信息——高温、白细胞计数升高、呼吸频率加快——并估计了在这种情况下开出不同药物的可能性。该模型的性能是通过将其排名选择与医生实际开出的药物（在本例中，抗生素万古霉素和氯化钠溶液用于补液）进行比较来评估的。
结果我们表现最好的模型是 LSTM 模型，这是一类对处理序列数据（包括文本和语言）特别有效的模型。这些模型能够捕获数据中事件的排序和时间新近度，使其成为解决此问题的不错选择。 几乎所有 (93%) 前 10 名列表都包含至少一种药物，临床医生将在第二天为给定患者订购这些药物。在 55% 的时间里，模型正确地将医生开出的药物列为前 10 名最有可能的药物之一，并且 75% 的订购药物被排在前 25 名。即使对于“假阴性”——医生订购的药物没有出现在前 25 个结果中的情况——该模型也有 42% 的时间在同一类别中对药物进行了高度评价。这种表现并不能通过模型简单地预测先前规定的药物来解释。即使我们让模型对之前的药物订单不知情，它也保持了高性能。 这对患者和临床医生意味着什么？重要的是要记住，以这种方式训练的模型复制了历史数据中出现的医生行为，并且没有学习最佳处方模式、这些药物如何起作用或可能发生什么副作用。然而，学习“正常”是最终发现异常、潜在危险命令的起点。在我们下一阶段的研究中，我们将研究这些模型在哪些情况下有助于发现可能伤害患者的用药错误。 这项探索性工作的结果是检验机器学习可用于构建防止错误并帮助确保患者安全的系统的假设的早期第一步。我们期待与医生、药剂师、其他临床医生和患者合作，继续研究以量化此类模型是否能够捕捉错误，确保患者在医院内的安全。 |
|
|
