AI与药学| Nature Medicine：大模型MEDIC显著降低药店用药指导错误_medication errors: ai-based prevention strategies-优快云博客

本文链接：https://blog.youkuaiyun.com/simoncool23/article/details/145153576

近年来，线上药房凭借其便捷性迅速发展，但用药指导错误一直是困扰行业的一大难题。这些错误，小到剂量混淆，大到用药途径错误，都可能对患者健康造成严重威胁，甚至危及生命。据统计，美国每年因用药错误导致的可预防药物不良事件高达150万起，造成数十亿美元的经济损失。

为了解决这一难题，来自Cristobal Pais研究团队的Jianfeng Liu、Robert Voigt和Vin Gupta等人在2024年4月25日的Nature Medicine期刊上发表了一项突破性研究，他们开发了一种名为MEDIC的智能药物指导助手系统，该系统利用大语言模型（LLM）结合领域专业知识，显著降低了线上药房的用药指导错误，为提升患者安全和医疗效率带来了曙光。（关注公众号“赛文AI药学”，获取更多AI与药学的内容）

MEDIC：AI与药学专业知识的完美结合

MEDIC的核心是一个经过特别训练的AI模型，它能够像经验丰富的药剂师一样，精准理解和处理药物说明，重点关注剂量和服用频率等关键信息。那么，研究团队是如何打造出如此强大的AI助手的呢？

MEDIC的研究方法：

数据为基：海量数据与精细标注

研究团队首先收集了亚马逊药房一年内约160万条单行用药指导数据，这些数据包括医生的原始数字指导和由药房技术员输入、药剂师验证的指导。为了训练MEDIC，他们精选了1000个样本，由专家团队进行人工注释，标注出药物说明中的核心组成部分，如动词、剂量、给药途径、频率和辅助信息等。这些精细标注的数据为模型的训练奠定了坚实的基础。
模型构建：迁移学习与微调技术

MEDIC的AI核心是一个基于BERT的大型语言模型。为了让模型更好地理解药物说明的复杂性和专业性，研究团队采用了迁移学习的方法。他们首先使用海量的医疗文本数据对模型进行预训练，使其掌握基本的医疗知识和语言理解能力。然后，利用专家标注的1000个样本对模型进行微调，使其能够精准地识别和解析药物说明中的关键信息。
知识融合：构建药物知识库MedCat

除了深度学习模型，MEDIC还整合了一个名为MedCat的药物知识库。这个知识库包含了从RxNorm、OpenFDA和亚马逊药房数据库中提取的药物属性信息，例如药物剂型、标准剂量、常用给药途径等。MedCat为MEDIC提供了丰富的药学领域知识，使其能够更好地理解和验证药物说明。
安全防护：基于药剂师知识的规则系统

为了避免LLM的“幻觉”问题，即生成错误或虚假信息，研究团队基于药剂师的专业知识，设计了一套严格的安全防护规则系统。这些规则能够自动检测潜在的药物相互作用或用药错误，并在药物说明最终发送给患者之前进行质量控制。例如：
- 如果药物说明中的剂量或给药途径与MedCat中的信息冲突，系统会停止生成指导 (GR1)。
- 如果药物说明中存在多个核心组件值（如多个剂量或频率），系统会停止生成指导 (GR2)。
- 如果药物说明中缺少动词、频率等关键信息，系统也会停止生成指导 (GR4, GR5)。
系统流程：三阶段处理与多重验证

MEDIC采用了一个三阶段的处理流程：
- 第一阶段： 使用基于规则的模型对原始处方指示进行格式化和标准化。
- 第二阶段： 利用微调后的DistilBERT模型提取处方指示中的核心用药指导组件。
- 第三阶段： 利用药房知识和MedCat组装用药指导，并应用安全防护措施进行验证。
这一流程确保了生成的药物说明既符合药学规范，又准确反映了医生的原始意图。

真实检验：MEDIC显著降低“近错事件”

为了验证MEDIC的有效性，研究团队将其与两个基于LLM的基准系统进行了比较：一个经过150万条药物说明微调的T5-FineTuned模型，另一个使用了当前最先进的LLM模型Claude。

在对1200份经过专家审核的处方进行分析后，MEDIC的表现远超这两个基准系统。 与MEDIC相比，T5-FineTuned和Claude分别记录了多1.51倍和4.38倍的“近错事件”。“近错事件”是指在药物到达患者之前被发现并纠正的错误，是衡量药房操作质量的关键指标。

更重要的是，MEDIC被部署到一家线上药房的生产系统中进行了实际测试。 结果令人振奋：MEDIC系统将近错事件减少了33%！ 这不仅验证了其在减少药物说明错误方面的有效性，也突显了将先进的人工智能技术应用于医疗领域，特别是在高风险环境中，对提升患者安全和工作效率的重要意义。

MEDIC的优势：高效、安全、可扩展

MEDIC的成功并非偶然，其背后是精心的设计和先进的技术支撑：

精准高效： MEDIC结合了领域专业知识和AI技术，能够精准理解药物说明，并以极快的速度生成标准化、准确的用药指导，平均执行时间仅为200毫秒，远快于Claude等模型。
安全可靠： 多重安全防护措施有效避免了LLM的“幻觉”问题，确保了生成药物说明的准确性和安全性。
可扩展性强： MEDIC的设计使其易于转移到其他药房，或作为外部服务使用，其主要基于合成生成的指导和公开可用的数据集，消除了其适用性超出亚马逊药房的任何限制。

MEDIC的成功应用为AI在医疗领域的应用树立了典范。它不仅提供了一种减少医疗错误的有效工具，也为医疗健康领域中AI技术的更广泛和负责任的应用提供了宝贵的经验和框架。

然而，研究团队也指出了MEDIC的局限性，例如缺乏对AI增强的药物指导的直接患者反馈，以及主要处理电子处方等问题。未来，研究团队计划进一步优化MEDIC，例如整合实时反馈机制，引入强化学习技术，并探索将LLMs作为MEDIC的叠加层，构建一个聊天机器人界面，为患者提供更便捷的用药咨询服务。

总而言之，MEDIC的出现标志着AI技术在改善医疗安全和效率方面迈出了重要一步。随着技术的不断发展，我们有理由相信，AI将在未来医疗健康领域发挥越来越重要的作用，为患者带来更加安全、便捷、高效的医疗服务。

想要了解更多信息，请访问原文链接： https://doi.org/10.1038/s41591-024-02933-8

关键词： 人工智能，大语言模型，大模型，药物指导错误，线上药房，互联网医院，患者安全，医疗效率，MEDIC，近错事件，Nature Medicine，迁移学习，微调，药店，连锁药店，药物知识库，安全防护

往期内容荐读：

数智药学的崛起：人工智能赋能药学新未来

数智药师：AI时代药学服务的引领者

智能决策助力药物安全：大模型在临床处方审核中的突破

数字人技术在药学服务中的应用

药师必备：掌握AI，引领药学服务新时代

LEADER - 大模型蒸馏的药物推荐模型