医生开错药?AI来提醒!谷歌和UCSF合作开发机器学习模型,高性能预警潜在危险

简介: 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。
云栖号资讯:【 点击查看更多行业资讯
在这里您可以找到不同行业的第一手的上云资讯,还在等什么,快来!

image

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。

image

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。

image

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。

5

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;

image

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;

image

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。

相关报道:
https://ai.googleblog.com/2020/04/a-step-towards-protecting-patients-from.html

【云栖号在线课堂】每天都有产品技术专家分享!
课程地址: https://yqh.aliyun.com/live

立即加入社群,与专家面对面,及时了解课程最新动态!
【云栖号在线课堂 社群】https://c.tb.cn/F3.Z8gvnK

原文发布时间:2020-04-12
本文作者:文摘菌
本文来自:“大数据文摘”,了解相关信息可以关注“大数据文摘

相关文章
|
8天前
|
人工智能 搜索推荐 Docker
手把手教你使用 Ollama 和 LobeChat 快速本地部署 DeepSeek R1 模型,创建个性化 AI 助手
DeepSeek R1 + LobeChat + Ollama:快速本地部署模型,创建个性化 AI 助手
2823 112
手把手教你使用 Ollama 和 LobeChat 快速本地部署 DeepSeek R1 模型,创建个性化 AI 助手
|
2天前
|
人工智能 Linux iOS开发
exo:22.1K Star!一个能让任何人利用日常设备构建AI集群的强大工具,组成一个虚拟GPU在多台设备上并行运行模型
exo 是一款由 exo labs 维护的开源项目,能够让你利用家中的日常设备(如 iPhone、iPad、Android、Mac 和 Linux)构建强大的 AI 集群,支持多种大模型和分布式推理。
178 100
|
8天前
|
机器学习/深度学习 人工智能 自然语言处理
PAI Model Gallery 支持云上一键部署 DeepSeek-V3、DeepSeek-R1 系列模型
DeepSeek 系列模型以其卓越性能在全球范围内备受瞩目,多次评测中表现优异,性能接近甚至超越国际顶尖闭源模型(如OpenAI的GPT-4、Claude-3.5-Sonnet等)。企业用户和开发者可使用 PAI 平台一键部署 DeepSeek 系列模型,实现 DeepSeek 系列模型与现有业务的高效融合。
|
9天前
|
人工智能 物联网 开发者
Oumi:开源的AI模型一站式开发平台,涵盖训练、评估和部署模型的综合性平台
Oumi 是一个完全开源的 AI 平台,支持从 1000 万到 4050 亿参数的模型训练,涵盖文本和多模态模型,提供零样板代码开发体验。
171 43
Oumi:开源的AI模型一站式开发平台,涵盖训练、评估和部署模型的综合性平台
|
4天前
|
机器学习/深度学习 人工智能 编解码
Lumina-Image 2.0:上海 AI Lab 开源的统一图像生成模型,支持生成多分辨率、多风格的图像
Lumina-Image 2.0 是上海 AI Lab 开源的高效统一图像生成模型,参数量为26亿,基于扩散模型和Transformer架构,支持多种推理求解器,能生成高质量、多风格的图像。
81 17
Lumina-Image 2.0:上海 AI Lab 开源的统一图像生成模型,支持生成多分辨率、多风格的图像
|
11天前
|
机器学习/深度学习 人工智能 自然语言处理
YuE:开源AI音乐生成模型,能够将歌词转化为完整的歌曲,支持多种语言和多种音乐风格
YuE 是香港科技大学和 M-A-P 联合开发的开源 AI 音乐生成模型,能够将歌词转化为完整的歌曲,支持多种音乐风格和多语言。
150 23
YuE:开源AI音乐生成模型,能够将歌词转化为完整的歌曲,支持多种语言和多种音乐风格
|
1天前
|
人工智能 安全 数据挖掘
MedRAX:专注于胸部X光检查的AI医学推理智能体,帮助医生快速解读胸部X光片
MedRAX 是一款专门用于胸部X光检查的医学推理AI智能体,整合了多种最先进的分析工具,支持多模态推理和动态任务分解。
39 10
MedRAX:专注于胸部X光检查的AI医学推理智能体,帮助医生快速解读胸部X光片
|
1天前
|
人工智能 Linux 开发工具
Kiln AI:零代码实现微调模型!自动生成合成数据与微调模型的开源平台
Kiln AI 是一款开源的 AI 开发工具,支持零代码微调多种语言模型,生成合成数据,团队协作开发,自动部署。帮助用户快速构建高质量的 AI 模型。
173 6
Kiln AI:零代码实现微调模型!自动生成合成数据与微调模型的开源平台
|
11天前
|
机器学习/深度学习 人工智能 API
Aligner:自动修正AI的生成结果,北大推出残差修正模型对齐技术
介绍北大团队提出的 Aligner 模型对齐技术,通过学习对齐答案与未对齐答案之间的修正残差,提升大语言模型的性能。
71 28
|
8天前
|
存储 人工智能
Scaling Law或将终结?哈佛MIT预警:低精度量化已无路可走,重磅研究掀翻AI圈
哈佛大学和麻省理工学院的研究人员最近发布了一项重磅研究,对Scaling Law在低精度量化中的应用提出严重质疑。研究表明,随着训练数据增加,低精度量化带来的性能损失也增大,且与模型大小无关。这挑战了通过增加规模提升性能的传统观点,提醒我们在追求效率时不能忽视性能损失。该研究结果在AI圈内引发广泛讨论,提示未来需探索其他方法来提高模型效率,如混合精度训练、模型压缩及新型硬件架构。论文地址:https://arxiv.org/pdf/2411.04330。
32 11

热门文章

最新文章