深度學習可改善對EHR中不良藥物事件的識別

使用深度學習模型，馬薩諸塞州洛厄爾大學的研究團隊能夠顯著改善從電子健康記錄(EHR)中提取不良藥物事件(ADE)的能力。

研究結果強調(diào)，深度學習可以幫助更好地識別ADE，ADE是造成患者和設施昂貴的傷害，也是住院的主要原因。

在測試過程中，該模型獲得的F1分數(shù)(衡量準確性)為65.9%，超過了現(xiàn)有的最佳ADE提取模型。根據(jù)JMIR Medical Informatics中發(fā)表的研究，該模型的準確性僅為61.7%。

“我們的深度學習模型取得了最先進的結果，大大高于藥物，適應癥和不良藥物事件(MADE)1.0挑戰(zhàn)賽中最佳系統(tǒng)的結果，”該系的Hong Yu博士馬薩諸塞州洛厄爾大學計算機科學系教授，以及相應的作者或相關研究，等。寫道。“深度學習模型可以顯著提高與ADE相關的信息提取的性能。”

據(jù)研究人員稱，ADEs被描述為由藥物干預引起的傷害，約占所有住院人數(shù)的41%。因此，ADEs通常還會延長住院時間，從而增加了設施的經(jīng)濟負擔。例如，研究人員說，一家擁有700個床位的醫(yī)院的ADEs的年度費用約為560萬美元，這就是為什么ADE檢測和報告對于藥物安全性監(jiān)測“至關重要”的原因。

傳統(tǒng)上，使用FDA不良報告系統(tǒng)(FAERS)發(fā)現(xiàn)ADE。但是，漏報和漏藥模式是與FDA系統(tǒng)相關的最常見挑戰(zhàn)。該系統(tǒng)還存在其他不利因素。

“首先，F(xiàn)AERS報告的目標和內(nèi)容會隨著時間而變化，這可能會使醫(yī)生和公眾感到困惑，” Yu等人。寫道。“第二，患者可能選擇不提及某些反應，這是由于執(zhí)業(yè)醫(yī)師未能報告這些反應。第三，潛伏期長或產(chǎn)生異常癥狀的ADE可能無法識別。”

對于他們的深度學習模型，研究人員使用MADE 1.0 Challenge數(shù)據(jù)集對其進行了培訓和測試，該數(shù)據(jù)集包含1000多個癌癥患者的EHR注釋。

“我們的所有模型在MADE 1.0挑戰(zhàn)賽中都優(yōu)于現(xiàn)有系統(tǒng)，這可能是由于以下原因：首先，我們的模型受益于能夠從數(shù)據(jù)中學習得更好的深度學習，” Yu等人。寫道。“第二，我們豐富了深度學習模型的功能;因此，我們的模型優(yōu)于使用與我們類似的深度學習模型的系統(tǒng)。”

在看到令人鼓舞的結果之后，研究小組表示相信他們的“結果可以促進ADE檢測，(自然語言處理)和機器學習的研究。”