机器学习可以在医患对话中画出疾病症状

3月25日《JAMA Internal Medicine》发表的研究显示，谷歌科学家开发的机器学习模型在早期测试中成功记录并映射了医患对话中的疾病症状，但这项技术还有很长的路要走。

谷歌高级研究科学家、加州大学助理教授阿尔文拉杰科马尔博士是第一作者。医学博士阿尔文拉杰科马尔(Alvin Rajkomar)说：“通过在患者就诊期间通过语音识别实现病历文书工作的自动化，医生可以直接花更多的时间与患者在一起。旧金山等。他在日记中写道。”我们考虑了使用机器学习来评论自动灌装系统(ROS)中遇到的所有症状的可行性。"

该团队此前开发的复发性神经网络是提供更多动手护理和关注患者的又一次机会，可以区分与患者病情相关的相关症状和不相关症状。研究人员从90，000个先前手动转录的遭遇池中随机选择了2，547个医疗遭遇笔记本，其中2，091个用于训练模型，456个用于测试模型。其余的成绩单用于无监督的训练。

这位抄写员用185种症状标记了2500多个转录本，并说明了每种症状与活性氧的相关性，因为它与患者的经历有关。机器学习模型的输入是包含五个会话或摘要的滑动窗口，输出提到每个症状、其与患者的相关性以及患者是否经历过该症状。

在2091个测试集中，研究团队报告了5970个症状提及，其中79.3%与ROS有关，74.2%由患者经历。在整个测试集中，模型的灵敏度为67.7%，阳性症状的阳性预测值为80.6%。

作者进一步指出，该模型对不明确症状的敏感性为67.8%，对明确提及的症状的敏感性为92.2%。如果两个随机选择的抄写员独立评估将任何给定症状纳入ROS的可能性为“极有可能”，则该症状被视为“明确提及”。

Rajkomar和他的同事写道：“该模型将准确记录——意思是正确识别症状，正确分类与笔记的相关性以及是否分配有经验的人——明确提到的症状占87.9%，不清楚的症状占60%。”“通过体验将这种技术应用于简单的ROS自动绘图任务的过程，我们报告了一个以前没有考虑过的关键挑战：大量症状被模糊地提及，因此即使是人类抄写员也没有

作者认为，该模型在上述症状上表现良好，这是令人鼓舞的，但远非完美。

他们写道：“解决这个问题将需要精确的沟通，尽管这不是一个繁琐的术语。”“需要进一步的研究来帮助临床医生完成更有意义的任务，比如记录当前的病史。”