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

Google資深研究科學(xué)家，加州大學(xué)助理教授Alvin Rajkomar醫(yī)學(xué)博士是第一作者，醫(yī)學(xué)博士Alvin Rajkomar博士說：“通過在患者訪視期間通過語音識別使醫(yī)療記錄的文書工作自動化，可以使醫(yī)生直接花更多的時間與患者在一起。 ，舊金山等。在日記中寫道?！拔覀兛紤]了使用機器學(xué)習(xí)自動填充系統(tǒng)（ROS）中遇到的所有癥狀的評論的可行性。”

團隊先前開發(fā)的遞歸神經(jīng)網(wǎng)絡(luò)是提供更多動手護理并關(guān)注患者的又一機會，能夠區(qū)分與患者病情相關(guān)的相關(guān)癥狀和無關(guān)癥狀。研究人員從90，000個先前手動轉(zhuǎn)錄的相遇池中隨機選擇了2，547個醫(yī)學(xué)相遇記錄本，其中2，091個用于訓(xùn)練模型，其中456個用于測試模型。其余的成績單用于無監(jiān)督的培訓(xùn)。

抄寫員用185種癥狀標(biāo)記了2500多個轉(zhuǎn)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(xí)模型的輸入是一個包含五個會話輪次或摘要的滑動窗口，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)歷過該癥狀。

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

作者進一步說，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%。如果兩個隨機選擇的抄寫員都獨立地將ROS中包括任何給定癥狀的可能性評估為“極有可能”，則認(rèn)為該癥狀被“明確提及”。

Rajkomar及其同事寫道：“該模型將準(zhǔn)確記錄-意味著正確識別癥狀，正確分類與筆記的相關(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%，” “通過經(jīng)歷使這種技術(shù)適應(yīng)簡單的ROS自動繪制任務(wù)的過程，我們報告了以前未曾考慮過的關(guān)鍵挑戰(zhàn)：模糊地提到了很大一部分癥狀，因此，甚至人類抄寫員也不同意如何記錄它們?！?/p>

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

他們寫道：“解決這個問題將需要精確的溝通，盡管不是繁瑣的術(shù)語?！?“將需要進一步的研究來幫助臨床醫(yī)生完成更有意義的任務(wù)，例如記錄當(dāng)前的病史?！?/p>