Google要運用AI幫醫生處方除錯

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。