科技改变生活 · 科技引领未来
科技改变生活 · 科技引领未来
使用深度学习模型，马萨诸塞州洛厄尔大学的研究团队能够显着改善从电子健康记录(EHR)中提取不良药物事件(ADE)的能力。
研究结果强调，深度学习可以帮助更好地识别ADE，ADE是造成患者和设施昂贵的伤害，也是住院的主要原因。
在测试过程中，该模型获得的F1分数(衡量准确性)为65.9%，超过了现有的最佳ADE提取模型。根据JMIR Medical Informatics中发表的研究，该模型的准确性仅为61.7%。
“我们的深度学习模型取得了最先进的结果，大大高于药物，适应症和不良药物事件(MADE)1.0挑战赛中最佳系统的结果，”该系的Hong Yu博士马萨诸塞州洛厄尔大学计算机科学系教授，以及相应的作者或相关研究，等。写道。“深度学习模型可以显着提高与ADE相关的信息提取的性能。”
据研究人员称，ADEs被描述为由药物干预引起的伤害，约占所有住院人数的41%。因此，ADEs通常还会延长住院时间，从而增加了设施的经济负担。例如，研究人员说，一家拥有700个床位的医院的ADEs的年度费用约为560万美元，这就是为什么ADE检测和报告对于药物安全性监测“至关重要”的原因。
传统上，使用FDA不良报告系统(FAERS)发现ADE。但是，漏报和漏药模式是与FDA系统相关的最常见挑战。该系统还存在其他不利因素。
“首先，FAERS报告的目标和内容会随着时间而变化，这可能会使医生和公众感到困惑，” Yu等人。写道。“第二，患者可能选择不提及某些反应，这是由于执业医师未能报告这些反应。第三，潜伏期长或产生异常症状的ADE可能无法识别。”
对于他们的深度学习模型，研究人员使用MADE 1.0 Challenge数据集对其进行了培训和测试，该数据集包含1000多个癌症患者的EHR注释。
“我们的所有模型在MADE 1.0挑战赛中都优于现有系统，这可能是由于以下原因：首先，我们的模型受益于能够从数据中学习得更好的深度学习，” Yu等人。写道。“第二，我们丰富了深度学习模型的功能;因此，我们的模型优于使用与我们类似的深度学习模型的系统。”
在看到令人鼓舞的结果之后，研究小组表示相信他们的“结果可以促进ADE检测，(自然语言处理)和机器学习的研究。”
金同林