ДалееСледующее руководство
Как безопасно проверить взаимодействие лекарств с помощью ИИ
Приложения
РУКОВОДСТВО ПО ПРИМЕНЕНИЮ
Существует два вида проверки взаимодействия лекарств.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Традиционные ищут пары лекарств в тщательно подобранных, основанных на правилах базах данных, поддерживаемых клиническими редакторами. Чекеры с искусственным интеллектом либо прогнозируют взаимодействие с помощью машинного обучения, либо отвечают на вопросы простым языком с помощью чат-бота. Базы данных, основанные на правилах, по-прежнему являются эталонным стандартом для проверок безопасности. Чат-боты могут хорошо объяснять взаимодействия, но они могут упускать важные моменты или изобретать несуществующие. Безопасный подход — использовать ИИ для объяснения и проверенную базу данных для самой проверки.
Средства проверки клинического взаимодействия лекарств в аптеках и электронные медицинские карты используют тщательно подобранные базы знаний, такие как Lexicomp, Micromedex, First Databank и Medi-Span. Клинические редакторы просматривают доказательства и пишут записи для каждой взаимодействующей пары. Типичная запись включает уровень тяжести (например, противопоказанный, серьезный, средний или незначительный), механизм, силу доказательств и рекомендации по лечению. Когда рецепт вводится, программное обеспечение сопоставляет его со списком лекарств пациента и по правилу выдает оповещения. Потребительские инструменты, такие как программа проверки Drugs.com, работают таким же образом. У шашек, основанных на правилах, есть известные недостатки. Они выдают множество предупреждений, которые врачи игнорируют, что приводит к усталости от оповещений. Различные базы данных иногда расходятся во мнениях относительно того, взаимодействует ли пара или насколько это серьезно. И они обычно игнорируют контекст пациента, такой как доза, функция почек или продолжительность совместного приема препаратов. ИИ входит тремя способами. Во-первых, исследовательские модели, такие как DeepDDI, опубликованные в 2018 году, предсказывают возможные взаимодействия на основе химической структуры и других характеристик лекарств. Они порождают гипотезы, а не клинические правила. Во-вторых, обработка естественного языка анализирует медицинскую литературу и отчеты о нежелательных явлениях в поисках сигналов. В-третьих, обычные чат-боты отвечают на вопросы взаимодействия на разговорном языке. Исследования, в которых чат-боты тестировали вопросы взаимодействия, дали противоречивые результаты. Некоторые ответы они дают правильно, пропускают клинически важные взаимодействия, иногда преувеличивают второстепенные и дают разные ответы на один и тот же вопрос при разных попытках. Распространенным заблуждением является то, что уверенный и хорошо написанный ответ можно получить в результате поиска в базе данных. Обычный чат-бот генерирует текст на основе шаблонов, изученных во время обучения. Он не выполняет поиск в курируемой базе данных, если она не была специально подключена к ней. Безопасное использование означает внесение в список каждого продукта, включая лекарства, отпускаемые без рецепта, добавки, такие как зверобой, и такие продукты, как грейпфрут. Затем пропустите список через проверенную программу проверки и передайте результаты фармацевту, который сможет сопоставить их с ситуацией пациента.
Больному, принимающему симвастатин, назначен кларитромицин. Программа проверки базы данных аптеки выдает серьезное предупреждение о взаимодействии, поскольку кларитромицин сильно ингибирует CYP3A4 и повышает риск повреждения мышц, и фармацевт связывается с врачом, назначающим альтернативный антибиотик.
Опекун спрашивает чат-бота, безопасен ли варфарин ее отца с новым антибиотиком, получает расплывчатый ответ, а затем проверяет авторитетную программу проверки взаимодействия и звонит фармацевту, который рекомендует более тщательный мониторинг МНО.
Мужчина принимает зверобой для настроения, но никогда не указывает его в бланке лекарства. Чат-бот, которому выдаются только его рецепты, пропускает взаимодействие, поэтому его фармацевт теперь спрашивает каждого пациента о добавках.
Исследовательская группа обучает модель машинного обучения структурам и мишеням лекарств, чтобы отмечать возможные неизвестные взаимодействия. Результатом работы модели является список гипотез для изучения, а не что-то, на основании чего можно действовать клинически.
Наиболее перспективным направлением является объединение тщательно подобранных баз данных с языковыми моделями, которые объясняют результаты и учитывают контекст пациента, например функцию почек или дозу, чтобы уменьшить количество нерелевантных предупреждений. Исследования по прогнозированию неизвестных взаимодействий на основе характеристик лекарств и реальных данных будут продолжаться, но прогнозы нуждаются в клинической проверке, прежде чем они станут правилами. Автономные чат-боты общего назначения вряд ли станут надежными средствами проверки взаимодействия без проверенных источников. На данный момент надежным рабочим процессом остается полный список лекарств, проверенная проверка и отзыв фармацевта.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Существует два вида проверки взаимодействия лекарств. Традиционные ищут пары лекарств в тщательно подобранных, основанных на правилах базах данных, поддерживаемых клиническими редакторами. Чекеры с искусственным интеллектом либо прогнозируют взаимодействие с помощью машинного обучения, либо отвечают на вопросы простым языком с помощью чат-бота. Базы данных, основанные на правилах, по-прежнему являются эталонным стандартом для проверок безопасности. Чат-боты могут хорошо объяснять взаимодействия, но они могут упускать важные моменты или изобретать несуществующие. Безопасный подход — использовать ИИ для объяснения и проверенную базу данных для самой проверки.
Базы данных, такие как Lexicomp или First Databank, хранят проверенные редактором записи пар, а программное обеспечение по правилам выдает оповещения при совпадении пар.
Без использования базы данных языковая модель создает правдоподобный текст, который может быть неправильным.
Кларитромицин ингибирует CYP3A4, изменяя уровень симвастатина, что делает его фармакокинетическим.
Оба препарата повышают серотонинергическую активность, поэтому их эффекты сочетаются, что является фармакодинамическим.
Прогнозирующие модели генерируют гипотезы, которые нуждаются в клинической проверке, прежде чем станут правилами.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Как безопасно проверить взаимодействие лекарств с помощью ИИ
Приложения