精确率93.6％，机器学习文本识别加速科研转化和新疗法研发

发表在《JMIR医学信息学》的研究论文显示，利用自然语言处理和机器学习技术从非结构化文本中提取有效信息，准确率（accuracy）可达92.7%，精确率（precision）达93.6%，识别效果大大优于传统的大数据分析算法。该研究由威斯康辛大学麦迪逊分校(University of Wisconsin Madison)马什菲德诊所(Marshfield clinic)和爱尔兰都柏林电子工程师学会(Institute of Electrical and Electronic Engineers)的研究人员完成。

本次研究是从海量非结构化数据中提取分析药物不良反应、计量错误影响、相互作用等药物不良事件，以为临床决策提供信息支持，提高医疗质量，同时拓宽临床科研课题设计思路，加速医学的临床转化，使患者尽快受益于更新、更安全的药物和治疗手段。

人工智能可快速有效进行大规模文本识别

研究小组表示，2007-2016年间共发表了超过342,000篇药物分析、评估相关的文章，假设以PDF的标准长度计算，这些文章等同于超过1TB的非结构化数据。“研究人员、科学家、医生不可能短时间完成这么大量的医学文献阅读和处理，但保持知识的及时更新对他们非常重要，因此，开发基于大数据的智能解决方案，以有效地处理这些数据愈发重要。”

该研究选取了 PubMed Central 的145万份期刊文章，和 WebMD 等医疗网站上的近42万篇博客文章，目的是验证从全文本中提取既定的、高质量医学信息的可行性，以及应用领先NLP和机器学习算法进行大规模语义识别的效果，以应对海量生物医学文本分析和识别的挑战，高效、准确获取对临床治疗有益的信息。

研究小组利用人工智能算法提取与ADE相关的句子，并进行标准化处理，通过分析句子中的词及词义，来确定是否发生了ADEs。训练数据：包括145万份期刊摘要和全文文章中提取的9720多万个句子，42万篇博客文章中提取的252万个句子。训练数据由三个医学专家进行人工标准，并定义为“ADEs”和“No-ADEs”两个类别，被归类为“ADEs”的句子，表示该句子的内容涉及药物不良事件。

最终识别结果显示，人工智能算法从期刊文章中共提取了12,265个有关ADEs的句子，从健康网站博客文章中提取了181个有关ADEs的句子，发现了28种药物不良事件，并对结果进行了可视化输出，清晰展示常见药物与其已知副作用之间的明确关联。

例如，该研究结论显示：华法林常见的严重副作用是出血，可能诱因是饮食调整、药物相互作用或假性生理变化。该算法还发现了一些较为罕见的情况，例如在服用二甲双胍时可能发生乳酸性酸中毒。

自然语言处理方法也有它的局限性。研究小组说，“我们的系统发现恶心和呕吐与地塞米松有关，虽然地塞米松确实能引起这些反应，但通常是化疗引起的恶心和呕吐居多。如果没有上下文线索，我们无法确定地塞米松在这种情况下是一种疗法还是一个致病因素。成功地分类这些少见案例可能需要额外的研究。”

自然语言处理未来更关注实时的临床数据

本次研究是利用人工智能发现药物不良事件，这些发现对患者安全研究具有积极的意义。虽然研究有其局限性，但这种从非结构化数据中提取有效信息的方法，可以扩展应用到很多其他领域，

例如，利用大数据分析进行新药或新疗法的开发，特别是综合患者的基本信息、家族史、疾病史等分析疗法的安全性和有效性等。机器学习和自然语言处理工具可以加快召回或重新定位新药物、新疗法，以确保患者的安全并针对性改进以提供更好的疗效，这对改善医疗质量和在临床决策过程提供证据支持意义重大。

此外，此次研究语料采用了已发表的期刊和网站博客文章，这些文章的结果可能存在偏向性，尤其是期刊论文更关注一些罕见案例。未来，人工智能大数据分析应当更关注那些临床试验以外的、临床实际发生的异常情况，需要更多地从电子病历实时数据中获取真实数据，以提升大数据的可信度和决策支持的精度。

参考文献：

P Tafti A, Badger J, LaRose E, Shirzadi E, Mahnke A, Mayer J, Ye Z, Page D, Peissig P

Adverse Drug Event Discovery Using Biomedical Literature: A Big Data Neural Network Adventure

JMIR Med Inform 2017;5(4):e51

URL: http://medinform.jmir.org/2017/4/e51

DOI: 10.2196/medinform.9170

PMCID: 5741828