گامی به سوی محافظت از بیماران در برابر اشتباهات دارویی

منتشر‌شده در: وبلاگ هوش مصنوعی گوگل به تاریخ ۲ آپریل ۲۰۲۰
لینک منبع: A Step Towards Protecting Patients from Medication Errors

در حالی که هیچ پزشک، پرستار یا داروساز نمی‌خواهد اشتباهی مرتکب شود که به بیمار آسیب برساند، تحقیقات نشان می‌دهند که ۲٪ از بیماران بستری حوادث دارویی جدی قابل پیش‌گیری را تجربه می‌کنند که می‌تواند تهدید کننده زندگی باشد، باعث آسیب دائمی شود یا منجر به مرگ شود. عوامل بسیاری در خطاهای پزشکی نقش دارند، که اغلب ریشه در سیستم‌های ناقص، ابزارها، فرآیندها، یا شرایط کاری دارند، به جای اینکه نقص پزشکان شخصی باشد (گزارش IOM). برای کاهش این چالش‌ها، می توان سیستمی را پیچیده‌تر از هشدارهای خطای مبتنی بر قواعد موجود در نرم‌افزار پرونده الکترونیک سلامت تصور کرد. این سیستم دستورالعمل‌های غیر عادی برای بیمار و وضعیت فعلی او را شناسایی می‌کند، مشابه سیستمی که برای خرید کارت‌های اعتباری غیر معمول بر روی کارت‌های به‌سرقت‌رفته هشدار می‌دهد. با این حال، تعیین این که کدام دارو برای هر بیمار در هر زمان خاصی مناسب است، پیچیده است-پزشکان و داروسازان سال‌ها قبل از کسب مهارت آموزش می‌بینند. با استفاده گسترده از پرونده‌های الکترونیک سلامت، اکنون ممکن است استفاده از این داده‌ها برای شناسایی الگوهای طبیعی و غیر طبیعی نسخه‌ها امکان پذیر باشد.

در یک تلاش اولیه برای کشف راه‌حل‌های این مشکل، ما با موسسه علوم محاسباتی باکار UCSF هم‌کاری کردیم تا «دستورها پیشگیرانه درمان در داده‌های پرونده الکترونیک سلامت» را در فارماکولوژی بالینی و درمانی منتشر کنیم، که میزان پیش‌بینی الگوهای تجویز عادی توسط پزشکان را براساس پرونده‌های الکترونیک سلامت ارزیابی می‌کند. همانند کار قبلی، ما از داده‌های بالینی جامع از سوابق بیمار شناسایی نشده، شامل توالی علایم حیاتی، نتایج آزمایشگاهی، داروها، روش‌های گذشته، تشخیص و غیره استفاده کردیم. براساس وضعیت بالینی فعلی بیمار و تاریخچه پزشکی، بهترین مدل ما قادر به پیش‌بینی تصمیمات تجویز واقعی پزشک در سه چهارم زمان بود.

آموزش مدل

مجموعه داده‌های مورد استفاده برای آموزش مدل شامل تقریبا سه میلیون سفارش دارویی از بیش از ۱۰۰٬۰۰۰ بیمار بستری‌شده بود. این مرکز از داده‌های پرونده الکترونیک سلامت گذشته‌نگر استفاده کرد که با تغییر تصادفی تاریخ‌ها و حذف شناسایی بخش‌هایی از پرونده مطابق با HIPAA شامل اسامی، آدرس‌ها، جزئیات تماس، شماره پرونده، اسامی پزشکان، یادداشت‌های متن آزاد، تصاویر، و غیره شناسایی نشد. داده‌ها با هم یا با هیچ داده دیگری ترکیب نشدند. تمام تحقیقات با استفاده از فرمت منابع قابلیت هم‌کاری مراقبت‌های بهداشتی سریع (FHIR) انجام شدند، که ما قبلا برای موثرتر کردن داده‌های مراقبت بهداشتی برای یادگیری ماشین استفاده کردیم. مجموعه داده‌ها محدود به یک بیماری خاص یا منطقه درمانی نبود، که کار یادگیری ماشین را چالش برانگیز تر کرد، اما همچنین کمک کرد تا اطمینان حاصل شود که مدل می‌تواند انواع بیشتری از شرایط را شناسایی کند؛ به عنوان مثال، بیمارانی که از کم‌آبی رنج می‌برند به داروهای متفاوتی نسبت به آن‌هایی که دچار جراحات تروماتیک هستند نیاز دارند.

ما دو مدل یادگیری ماشین را ارزیابی کردیم: یک شبکه عصبی بازگشتی حافظه کوتاه‌مدت بلند مدت (LSTM) و یک مدل منطقی منظم و دارای زمان که معمولا در تحقیقات بالینی مورد استفاده قرار می‌گیرند. هر دوی آن‌ها با یک خط پایه ساده مقایسه شدند که براساس خدمات بیمارستان بیمار (به عنوان مثال، پزشکی عمومی، جراحی عمومی، مامایی، کاردیولوژی، و غیره) و میزان زمان از زمان پذیرش، شایع‌ترین داروهای تجویز شده بودند. هر بار که یک دارو در داده‌های گذشته‌نگر سفارش داده می‌شد، مدل‌ها لیستی از ۹۹۰ داروی ممکن را رتبه‌بندی می‌کردند، و ما بررسی می‌کردیم که آیا مدل‌های احتمالات بالا را به داروهایی اختصاص می‌دادند که پزشک در هر مورد تجویز می‌کرد.

به عنوان مثالی از نحوه ارزیابی مدل، بیماری را تصور کنید که با نشانه‌های عفونت به بیمارستان آمده‌است. این مدل اطلاعات ثبت‌شده در پرونده الکترونیک سلامت بیمار-درجه‌حرارت بالا، شمارش گلبول‌های سفید خون بالا، سرعت تنفس سریع-را بررسی کرد و تخمین زد که احتمال تجویز داروهای مختلف در این وضعیت چقدر است. عملکرد این مدل با مقایسه گزینه‌های رتبه‌بندی شده آن در برابر داروهایی که پزشک واقعا تجویز کرده بود (در این مثال، آنتی‌بیوتیک وانکومایسین و محلول کلرید سدیم برای بازجذب آب) ارزیابی شد.

یافته‌ها

بهترین مدل ما مدل LSTM بود، کلاسی از مدل‌ها که به طور خاص برای کنترل داده‌های ترتیبی، از جمله متن و زبان، موثر بودند. این مدل‌ها قادر به بدست آوردن ترتیب و تاخر زمانی رویدادها در داده‌ها هستند، که آن‌ها را به یک انتخاب خوب برای این مشکل تبدیل می‌کند.

تقریبا تمام ۱۰ لیست (۹۳٪) حاوی حداقل یک دارو بودند که توسط متخصصین بالینی برای بیمار در روز بعد تجویز می‌شد. ۵۵ درصد مواقع، این مدل داروهای تجویز شده توسط پزشک را به عنوان یکی از ۱۰ داروی برتر قرار می‌داد و ۷۵ درصد از داروهای تجویز شده در رتبه ۲۵ قرار داشتند. حتی برای «تشخیص‌های منفی کاذب»-مواردی که در آن‌ها دارویی که توسط پزشکان سفارش داده شده‌بود در بین ۲۵ نتیجه برتر ظاهر نشد-این مدل دارویی را در رده بالای ۴۲٪ زمان قرار داد. این عملکرد توسط این مدل توضیح داده نشده است و به سادگی داروهای تجویز شده قبلی را پیش‌بینی می‌کند. حتی زمانی که ما مدل را نسبت به دستورها دارویی قبلی کور کردیم، عملکرد بالایی داشت.

این برای بیماران و متخصصان بالینی چه معنایی دارد؟

مهم است به یاد داشته باشید که مدل‌هایی که این روش را آموزش داده‌اند، رفتار پزشک را همانطور که در داده‌های تاریخی به نظر می‌رسد، بازسازی می‌کنند، و الگوهای تجویز بهینه، نحوه کار این داروها، و یا این که چه اثرات جانبی ممکن است رخ دهد را یاد نگرفته اند. با این حال، یادگیری «عادی» یک نقطه شروع برای تشخیص دستورها غیر عادی و بالقوه خطرناک است. در مرحله بعدی تحقیق، ما بررسی خواهیم کرد که تحت چه شرایطی این مدل‌ها برای یافتن خطاهای دارویی مفید هستند که می‌توانند به بیماران آسیب برسانند.

نتایج این کار اکتشافی گام‌های اولیه برای تست این فرضیه هستند که یادگیری ماشین را می توان برای ساخت سیستم‌هایی بکار برد که از اشتباهات جلوگیری کرده و به ایمن نگه داشتن بیماران کمک می‌کنند. ما مشتاقانه منتظر هم‌کاری با پزشکان، داروسازان، سایر متخصصان بالینی، و بیماران هستیم تا بتوانیم کمی سازی کنیم که آیا مدل‌هایی مانند این قادر به گرفتن خطا هستند یا خیر و بیماران را در بیمارستان ایمن نگه داریم.

این متن با استفاده از ربات ترجمه مقاله یادگیری ماشین ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.