РУКОВОДСТВО ПО ПРИМЕНЕНИЮ

Средства проверки взаимодействия лекарств с искусственным интеллектом

Существует два вида проверки взаимодействия лекарств.

Прослушайте это руководствоОзвучено ИИ · ~3 min

На этой странице4 минуты чтения
  1. Обзор
  2. Глубокое погружение
  3. Реальная реализация
  4. Будущее средств проверки взаимодействия лекарств с искусственным интеллектом
  5. Применение на практике
  6. Продолжайте исследовать
  7. Часто задаваемые вопросы

Обзор

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.

Глубокое погружение

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.

Реальная реализация

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.

Будущее средств проверки взаимодействия лекарств с искусственным интеллектом

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.

Применение на практике

Почему это важно

  • Выбор сборки. Проектирование на уровне приложения определяет, улучшит ли ИИ реальные результаты.
  • Команда и рабочий процесс. Хорошая интеграция рабочих процессов обеспечивает повышение производительности, которому пользователи могут доверять.
  • Риски и безопасность. Хорошо продуманные варианты использования снижают усталость от изменений и риск внедрения.

Следите за

  • Автоматизация сломанного процесса может усугубить существующие проблемы.
  • Команды могут чрезмерно автоматизировать и исключить необходимое человеческое суждение.
  • Качество может ухудшиться, если результаты не будут оцениваться постоянно.

Следующие шаги

  1. Составьте карту текущего рабочего процесса и определите этап, вызывающий наибольшие затруднения.
  2. Определите человеческие контрольно-пропускные пункты перед полной автоматизацией.
  3. Обучайте пользователей подсказкам, путям эскалации и стандартам качества.
  4. Отслеживайте результаты на уровне задач, чтобы подтвердить устойчивую ценность.

Продолжайте исследовать

Бесплатная рассылка

Получайте ежедневный AI-обзор

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

Take the AI Drug Interaction Checkers quiz

Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.

Начать тест

Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование

Часто задаваемые вопросы

Что такое средства проверки взаимодействия лекарств с искусственным интеллектом?

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.

Как традиционная программа проверки взаимодействия на основе правил решает выдать предупреждение?

Базы данных, такие как Lexicomp или First Databank, хранят проверенные редактором записи пар, а программное обеспечение по правилам выдает оповещения при совпадении пар.

Почему в руководстве говорится, что обычный чат-бот может уверенно описывать несуществующее взаимодействие?

Без использования базы данных языковая модель создает правдоподобный текст, который может быть неправильным.

Примером какого типа взаимодействия является кларитромицин, повышающий уровень симвастатина?

Кларитромицин ингибирует CYP3A4, изменяя уровень симвастатина, что делает его фармакокинетическим.

Примером чего является прием СИОЗС в сочетании с трамадолом, повышающим риск серотонинового синдрома?

Оба препарата повышают серотонинергическую активность, поэтому их эффекты сочетаются, что является фармакодинамическим.

Какова роль такой исследовательской модели, как DeepDDI, согласно руководству?

Прогнозирующие модели генерируют гипотезы, которые нуждаются в клинической проверке, прежде чем станут правилами.

Продолжайте учиться

Связанные руководства

Другие руководства, выбранные по этой теме

Получите бесплатный AI-сертификатКороткий бесплатный курс и экзамен. Без стоимости, без карты. Около 2,5 часов.Начать бесплатно →