SeterusnyaPanduan seterusnya
How to Check Drug Interactions With AI Safely
Aplikasi
PANDUAN Aplikasi
Terdapat dua jenis penyemak interaksi dadah.
Dengar panduan iniAI-diceritakan · ~3 min
Yang tradisional mencari pasangan ubat dalam pangkalan data berasaskan peraturan yang disusun oleh editor klinikal. Pemeriksa AI sama ada meramalkan interaksi dengan pembelajaran mesin atau menjawab soalan dalam bahasa biasa dengan chatbot. Pangkalan data berasaskan peraturan masih menjadi standard rujukan untuk pemeriksaan keselamatan. Chatbots boleh menerangkan interaksi dengan baik, tetapi mereka boleh terlepas interaksi penting atau mencipta interaksi yang tidak wujud. Pendekatan selamat adalah menggunakan AI untuk penjelasan dan pangkalan data yang disahkan untuk semakan itu sendiri.
Pemeriksa interaksi ubat klinikal di farmasi dan rekod kesihatan elektronik menggunakan pangkalan pengetahuan yang dipilih susun seperti Lexicomp, Micromedex, First Databank dan Medi-Span. Editor klinikal menyemak bukti dan menulis entri untuk setiap pasangan yang berinteraksi. Kemasukan biasa termasuk tahap keterukan (contohnya dikontraindikasikan, utama, sederhana atau kecil), mekanisme, kekuatan bukti dan nasihat pengurusan. Apabila preskripsi dimasukkan, perisian memadankannya dengan senarai ubat pesakit dan memberi amaran mengikut peraturan. Alat pengguna seperti penyemak Drugs.com berfungsi dengan cara yang sama. Pemeriksa berasaskan peraturan mempunyai kelemahan yang diketahui. Mereka menghasilkan banyak makluman yang ditolak oleh doktor, yang membawa kepada keletihan amaran. Pangkalan data yang berbeza kadangkala tidak bersetuju sama ada pasangan berinteraksi atau betapa teruknya ia. Dan mereka biasanya mengabaikan konteks pesakit seperti dos, fungsi buah pinggang atau berapa lama ubat telah diambil bersama. AI masuk dalam tiga cara. Pertama, model penyelidikan seperti DeepDDI, yang diterbitkan pada 2018, meramalkan kemungkinan interaksi daripada struktur kimia dan ciri ubat lain. Ini menjana hipotesis dan bukannya peraturan klinikal. Kedua, pemprosesan bahasa semula jadi menambang kesusasteraan perubatan dan laporan kejadian buruk untuk isyarat. Ketiga, chatbot umum menjawab soalan interaksi dalam bahasa perbualan. Kajian yang menguji chatbots pada soalan interaksi telah menemui hasil yang tidak konsisten. Mereka mendapat beberapa jawapan dengan betul, terlepas interaksi penting secara klinikal, kadangkala melebih-lebihkan yang kecil, dan memberikan jawapan yang berbeza kepada soalan yang sama pada percubaan yang berbeza. Salah tanggapan biasa ialah jawapan yang yakin dan ditulis dengan baik datang daripada carian pangkalan data. Chatbot umum menjana teks daripada corak yang dipelajari semasa latihan. Ia tidak mencari pangkalan data yang dipilih susun melainkan ia telah disambungkan secara khusus kepada satu. Penggunaan selamat bermakna menyenaraikan setiap produk, termasuk ubat-ubatan yang dijual bebas, makanan tambahan seperti St. John's wort dan makanan seperti limau gedang. Kemudian jalankan senarai melalui penyemak yang disahkan dan bawa hasilnya kepada ahli farmasi, yang boleh menimbangnya dengan keadaan pesakit.
Pesakit yang mengambil simvastatin ditetapkan clarithromycin. Penyemak pangkalan data farmasi melancarkan amaran interaksi utama kerana klaritromisin sangat menghalang CYP3A4 dan meningkatkan risiko kerosakan otot, dan ahli farmasi menghubungi preskripsi tentang antibiotik alternatif.
Seorang penjaga bertanya kepada chatbot sama ada warfarin bapanya selamat dengan antibiotik baharu, mendapat jawapan yang samar-samar, dan kemudian menyemak pemeriksa interaksi yang bereputasi dan menghubungi ahli farmasi, yang mengesyorkan pemantauan INR lebih dekat.
Seorang lelaki mengambil wort St. John untuk mood tetapi tidak pernah menyenaraikannya pada borang ubatnya. Chatbot yang diberikan hanya preskripsinya merindui interaksi, jadi ahli farmasinya kini bertanya kepada setiap pesakit tentang suplemen.
Pasukan penyelidik melatih model pembelajaran mesin tentang struktur dan sasaran ubat untuk menandakan kemungkinan interaksi yang tidak diketahui. Output model ialah senarai hipotesis untuk dikaji, bukan sesuatu untuk bertindak secara klinikal.
Arah yang paling menjanjikan ialah menggabungkan pangkalan data yang dipilih susun dengan model bahasa yang menerangkan keputusan dan mempertimbangkan konteks pesakit, seperti fungsi atau dos buah pinggang, untuk mengurangkan makluman yang tidak berkaitan. Penyelidikan tentang meramalkan interaksi yang tidak diketahui daripada ciri ubat dan data dunia sebenar akan diteruskan, tetapi ramalan memerlukan pengesahan klinikal sebelum ia menjadi peraturan. Bot sembang umum yang berdiri sendiri tidak mungkin menjadi penyemak interaksi yang dipercayai tanpa menggunakan sumber yang disahkan. Buat masa ini, aliran kerja yang boleh dipercayai kekal sebagai senarai ubat yang lengkap, penyemak yang disahkan dan semakan ahli farmasi.
Newsletter percuma
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Terdapat dua jenis penyemak interaksi dadah. Yang tradisional mencari pasangan ubat dalam pangkalan data berasaskan peraturan yang disusun oleh editor klinikal. Pemeriksa AI sama ada meramalkan interaksi dengan pembelajaran mesin atau menjawab soalan dalam bahasa biasa dengan chatbot. Pangkalan data berasaskan peraturan masih menjadi standard rujukan untuk pemeriksaan keselamatan. Chatbots boleh menerangkan interaksi dengan baik, tetapi mereka boleh terlepas interaksi penting atau mencipta interaksi yang tidak wujud. Pendekatan selamat adalah menggunakan AI untuk penjelasan dan pangkalan data yang disahkan untuk semakan itu sendiri.
Pangkalan data seperti Lexicomp atau First Databank menyimpan entri pasangan yang disemak editor, dan perisian melancarkan makluman mengikut peraturan apabila pasangan sepadan.
Tanpa asas dalam pangkalan data, model bahasa menghasilkan teks yang munasabah yang mungkin salah.
Clarithromycin menghalang CYP3A4, mengubah tahap simvastatin, yang menjadikannya farmakokinetik.
Kedua-dua ubat meningkatkan aktiviti serotonergik, jadi kesannya bergabung, iaitu farmakodinamik.
Model ramalan menjana hipotesis yang memerlukan pengesahan klinikal sebelum menjadi peraturan.
Teruskan belajar
Lebih banyak panduan dipilih untuk topik ini
SeterusnyaPanduan seterusnya
How to Check Drug Interactions With AI Safely
Aplikasi