※圖為醫守科技執行長龍安靖

哈佛醫學院布萊根婦女醫院、台北醫學大學的研究人員和台灣新創醫守科技，近(17)日宣布了一項新的聯合研究成果─利用機器學習（ML）模型來檢測用藥錯誤。該結果最近發表在知名國際期刊《Journal of Medical Internet Research - Medical Informatics》上。

努力減少用藥錯誤

用藥錯誤會增加財務和醫療負擔，在美國每年就造成約200億美元的經濟損失和25萬多人的死亡。

在用藥的任何階段都可能發生用藥錯誤，包括開立處方、配藥、給藥和監測，其中有50%的用藥錯誤，來自醫生一開始就開錯處方。

在患者服藥時，醫生會經過複雜的決策過程以準確地開出處方。首先，在進行藥物治療前，還需考量年齡、性別和患者可能的藥物過敏，他們必須明確定義患者的問題並列出治療目標。他們還必須考慮給藥、藥物與藥物的交互作用、藥物成本以及其他療法，這些都需要立即且同時進行。

哈佛醫學院教授David W. Bates表示：“從源頭減少用藥錯誤至關重要。但是，為了幫助醫生更好地了解情況並做出更好的決定，他們需要更準確的建議和警報。這時機器學習可以幫助做出更好的決定並提高患者安全性和護理品質的部分“說博士大衛W.貝茨，普通內科和初級保健的院長在布里格姆婦女醫院和教授的醫學院哈佛醫學院。

對於幫助解決這些技術問題，透過機器學習了解這些變數至關重要，必須正確收集、組織和維護數據。

台灣健保署管理的健保數據為全球少數國家有集中和結構良好的電子健康記錄（電子病歷）系統，這使其基於醫療記錄數據開發使用機器學習的醫療AI系統時具有競爭優勢。

醫療保健的未來：全球合作情報

這項研究是與哈佛醫學院、台北醫學大學和醫守科技合作進行的，醫守科技開發出第一個預防藥物錯誤的聯合學習模型，該模型透過結合多個國家的AI模型進行了優化。

醫守科技執行長龍安靖表示：“我們的AI用藥安全模式，醫守科技蒐集高達 15億筆的處方資料、用藥和來自不同國家的醫生的複雜處方行為之間的關聯，運用人工智慧從中探索複雜的診斷與用藥關聯以建立模型，並且每年持續更新模型。這項研究顯示，聯合學習（FL）訓練的模型與由個人資料庫訓練的其他兩個模型相比，具有更卓越的性能。透過施行該系統可以立即提供適合建議，幫助醫師更好地完成處方開立。新模型目前也已在數家醫院中完成部署，並推廣到美國東部和西部醫院。”

※圖為醫守科技總顧問暨創辦人李友專特聘教授

當選國際醫學資訊學會(IMIA)主席的李友專特聘教授表示：“數據驅動型的醫學需要龐大且多樣的醫學資料庫。最大的挑戰是在臨床實踐中，成功實現從台灣本土到全球的數據驅動型應用，而不損害患者的安全性和隱私性。FL透過合作訓練演算法而不需交換經驗就可以提供解決方案。該結果是醫學AI在國際可移植性(International Transferability)方面的突破，以台灣當地資料庫開發AOP ML模型與美國門診患者的處方數據具有良好的可移植性。”

(來源: Yahoo USA, 生策中心編譯)