根據3月25日發(fā)表在《JAMA Internal Medicine》上的研究，由Google的科學(xué)家開(kāi)發(fā)的機器學(xué)習模型在早期測試中成功記錄并繪制了醫患對話(huà)中的疾病癥狀，但該技術(shù)還有很長(cháng)的路要走。

Google資深研究科學(xué)家，加州大學(xué)助理教授A(yíng)lvin Rajkomar醫學(xué)博士是第一作者，醫學(xué)博士Alvin Rajkomar博士說(shuō)：“通過(guò)在患者訪(fǎng)視期間通過(guò)語(yǔ)音識別使醫療記錄的文書(shū)工作自動(dòng)化，可以使醫生直接花更多的時(shí)間與患者在一起。 ，舊金山等。在日記中寫(xiě)道。“我們考慮了使用機器學(xué)習自動(dòng)填充系統(ROS)中遇到的所有癥狀的評論的可行性。”

團隊先前開(kāi)發(fā)的遞歸神經(jīng)網(wǎng)絡(luò )是提供更多動(dòng)手護理并關(guān)注患者的又一機會(huì )，能夠區分與患者病情相關(guān)的相關(guān)癥狀和無(wú)關(guān)癥狀。研究人員從90,000個(gè)先前手動(dòng)轉錄的相遇池中隨機選擇了2,547個(gè)醫學(xué)相遇記錄本，其中2,091個(gè)用于訓練模型，其中456個(gè)用于測試模型。其余的成績(jì)單用于無(wú)監督的培訓。

抄寫(xiě)員用185種癥狀標記了2500多個(gè)轉錄本，并為每種癥狀指定了與ROS的相關(guān)性，因為它與患者的經(jīng)歷有關(guān)。機器學(xué)習模型的輸入是一個(gè)包含五個(gè)會(huì )話(huà)輪次或摘要的滑動(dòng)窗口，輸出分別提到了每種癥狀，與患者的相關(guān)性以及患者是否經(jīng)歷過(guò)該癥狀。

在2091個(gè)測試集中，研究小組報告了5970個(gè)癥狀提及，其中79.3%與ROS有關(guān)，其中74.2%是患者經(jīng)歷的。在整個(gè)測試集中，模型的靈敏度為67.7%，陽(yáng)性癥狀的陽(yáng)性預測值為80.6%。

作者進(jìn)一步說(shuō)，該模型對不清楚癥狀的敏感性為67.8%，對于明確提及癥狀的敏感性為92.2%。如果兩個(gè)隨機選擇的抄寫(xiě)員都獨立地將ROS中包括任何給定癥狀的可能性評估為“極有可能”，則認為該癥狀被“明確提及”。

Rajkomar及其同事寫(xiě)道：“該模型將準確記錄-意味著(zhù)正確識別癥狀，正確分類(lèi)與筆記的相關(guān)性以及是否分配經(jīng)驗豐富的人-明確提到的癥狀占87.9%，不清楚的癥狀占60%，” “通過(guò)經(jīng)歷使這種技術(shù)適應簡(jiǎn)單的ROS自動(dòng)繪制任務(wù)的過(guò)程，我們報告了以前未曾考慮過(guò)的關(guān)鍵挑戰：模糊地提到了很大一部分癥狀，因此，甚至人類(lèi)抄寫(xiě)員也不同意如何記錄它們。”

作者說(shuō)，該模型在明顯提及的癥狀上表現良好，這令人鼓舞，但遠非完美。

他們寫(xiě)道：“解決這個(gè)問(wèn)題將需要精確的溝通，盡管不是繁瑣的術(shù)語(yǔ)。” “將需要進(jìn)一步的研究來(lái)幫助臨床醫生完成更有意義的任務(wù)，例如記錄當前的病史。”