Page 130 - 中国全科医学2022-01
P. 130
http://www.chinagp.net E-mail:zgqkyx@chinagp.net.cn ·255·
相应输出值，主要被用来处理分类和回归任务，常见的算法 随机森林回归、多元自适应回归样条（multivariate adaptive
有逻辑回归、支持向量机和 K—邻近算法等 ［7］ 。无监督学习 regression splines，MARS）和支持向量回归的预测准确性优于
即通过输入无标签的数据来学习数据的内在结构和关联，其 其他算法。TAO 等 ［19］ 学者建立了一种集成学习模型，以类
更多地被用来处理聚类和降维问题，常见算法包括 K—均值 似的衡量指标评价了模型对中国人群华法林使用剂量的预测
聚类和期望最大化聚类等 ［8］ 。强化学习即根据状态和动作计 性能。SU 等 ［20］ 学者回顾性分析了 2 个重症监护病房研究数
算获益，将获益反馈到模型并对模型作出调整以获得最大的 据库中的患者数据，使用随机森林、支持向量机、自适应增
奖励信号，常见算法包括 Q 学习以及时间差学习等 ［9］ 。作为 强算法、极限梯度增强和浅层神经网络 5 种机器学习方法，
机器学习的分支之一，近年来深度学习在医学领域的应用取 以部分凝血活酶时间作为预测因子来预测肝素的治疗效果，
得了巨大成功。其通过在输入层与输出层之间使用隐藏层来 结果显示，浅层神经网络以最高的 F1 值作为预测肝素治疗效
对数据的中间表征进行建模，用于有监督或无监督的特征学 果的最适模型，该模型可用于优化患者的肝素剂量。此外，
习、表示、分类和模式识别等，常见算法有深度神经网络、 LEVY 等 ［21］ 学者对接受抗心律失常药物多非利特治疗的患者
循环神经网络和卷积神经网络等 ［10］ 。 的临床数据进行了分析，与多种监督学习方法比较，一种深
2 机器学习在临床药物治疗中的应用 度强化学习算法—Q 学习算法以 96.1% 的准确度更好地预测
2.1 药物处方和用药剂量预测 在药物处方预测方面，尤 了多非利特的使用剂量。
其针对慢性病的逐步治疗模式，常使用序列模式挖掘和深度 2.2 药物不良反应预测 药物不良反应不仅是药物开发失败
学习技术等方法来推断药物之间的时间关系，并生成规则来 和药物上市后撤市的主要原因，也是药物治疗失败和治疗被
预测患者将会被处方的下一种药物 ［11］ 。WRIGHT 等 ［12］ 学 迫中止的原因。随着药物不良反应数据库的出现，有监督的
者使用序列模式挖掘方法，应用 SPADE（Sequential Pattern 机器学习算法已被广泛用于药物信息提取和药物不良反应的
Discovery Using Equivalence Classes）算法从药物类别和仿制药 关系预测 ［22-23］ 。该类研究主要基于药物生物学特征、化学特
水平挖掘 2 型糖尿病患者药物处方的序列模式，该算法能够 征和表型特征等建立预测模型对药物不良反应进行预测 ［24］ 。
挖掘符合指南推荐的药物治疗模式且无需患者的所有用药史。 药物性肝损伤（drug induced liver injury，DILI）是最常
在药物类别预测方面，SPADE 能够预测出 90% 的患者所用的 见的不良反应之一，大量的基因表达数据为早期识别和准确
药物；在仿制药预测方面，能够预测出 64.1% 的患者所用的 预测 DILI 提供了有价值的信息。HAMMANN 等 ［25］ 学者基于
药物。BEAM 等 ［13］ 学者将机器学习和自然语言处理相结合， 药物化学结构，构建了决策树、K- 邻近算法、支持向量机
以提取患者的合并症、用药史及医生的处方偏好。通过权衡 和人工神经网络 4 种机器学习模型以预测 DILI，其中决策树
患者和医生因素，研究影响安眠药处方模式的医患因素，以 模型实现了 89% 的正确分类率。FENG 等 ［26］ 学者基于 Array
更深入了解医生的处方行为。YELIN 等 ［14］ 学者使用梯度增强 Express 数据库中的基因表达数据建立了深度学习模型来预测
决策树推导的一种算法对尿路感染患者的数据进行分析发现， DILI，该模型在准确率、精确度和相关系数等方面均明显优
通过筛选抗生素耐药性的特征，推荐最佳的经验性治疗药物， 于支持向量机模型，并通过外部数据集和动物实验对模型性
通过该算法推荐的处方正确使用抗生素的概率比医生高 4%， 能进行了验证。LAI 等 ［27］ 研究者将结核患者的临床特征和基
降低了药物错配风险。ROUGH 等 ［15］ 学者根据住院患者的电 因组数据相结合，建立并比较了人工神经网络、支持向量机
子健康记录中的结构化信息，利用深度学习序列模型预测患 和随机森林 3 种模型对抗结核药物肝毒性的预测性能，其中
者的特定用药顺序，该算法能够挖掘出与指南一致的药物治 人工神经网络表现最佳。DAVAZDAHEMAMI 等 ［28］ 学者将时序
疗模式，因此，在入院时可以作为早期预警工具预测出院用 药物警戒网络和机器学习技术相结合，预测 8 种常见高风险
药种类，以便监测即将处方的药物，减少重复用药或遗漏用 药物的药物不良反应，结果显示，梯度增强树识别药物不良
药等。此外，朱立强等 ［16］ 学者采用非线性逻辑回归和支持向 反应的准确率高达 92.8%。
量机的方法建立了Ⅰ类切口手术患者使用抗菌药物合理性的 2.3 药物疗效预测 在药物疗效预测时，常将患者临床症状
评价模型，使抗菌药物预防使用率下降了 7.41%，药物品种选 和体征的改善，以及实验室检查指标的变化作为待预测结果，
用合理率提高了 16.53%，使用疗程缩短了 1.75 d。 以评估药物疗效。此外，还可应用机器学习方法挖掘现有临
对于个体差异大、治疗窗窄、毒性较强的药物，对给 床试验数据或电子病历系统中的数据来建立预测模型，对特
药剂量进行正确预测可在一定程度上减少不良事件的发生。 定患者的特定药物疗效进行回顾性分析和前瞻性识别，从而
MA 等 ［17］ 研究者使用堆栈泛化框架集成了支持向量机、随机 对药物疗效进行精准评价。
森林、近邻算法和梯度提升树 4 种算法，结合患者的临床特 CHEKROUD 等 ［29］ 研究者筛选了抑郁症患者的 25 个临
征和遗传数据预测华法林剂量，该算法适用于华法林低剂量 床特征并建立了梯度提升机模型，以评估患者使用西酞普兰
维持治疗的患者，相比于其他患者，其在实际稳定治疗剂量 治疗 12 周后症状是否缓解，该模型的预测准确率为 64.6%。
20% 以内的患者中预测能力提高了 12.7%。ROCHE-LIMA 等 ［18］ 若将抗抑郁治疗反应的生物标志物作为预测变量，可能会获
学者使用 7 种机器学习方法，通过回顾性分析心血管疾病患 得更高的预测准确性。ATHREYA 等 ［30］ 学者论证了将机器
者的临床特征和遗传数据来预测华法林的使用剂量，该研究 学习与药物基因组生物标志物相结合的可行性，以实现对两
以平均绝对误差和预测准确率来评估模型性能，结果显示， 种新型抗抑郁药西酞普兰和依他普伦 8 周治疗效果的预测。
