159
Vol. 40 No.2
jun. 30 2024
中華民國一一三年六月卅日出版

人工智慧與臨床藥學:
機器學習的理論與實踐


許博淳、龐琇綾、盧志峯、王郁青


高雄長庚紀念醫院藥劑部



摘要


將人工智慧應用於臨床藥學,不僅能夠提升臨床藥事服務的效率和品質,也能減輕藥師的工作負擔與改善醫療決策的準確性。因此若是藥師能夠瞭解人工智慧技術的運作和原理,就能夠在科技工程師與醫療專業人員之間擔任溝通和協調的角色。本文介紹人工智慧的基本概念、在藥學領域的應用場景以及機器學習的常見模型,並提供運用機器學習技術來改善藥事服務品質的研究實例。機器學習在藥學領域有多種應用,例如劑量計算、藥物開發、臨床試驗或藥物諮詢等。機器學習的訓練方法有監督性學習、非監督性學習、半監督性學習與增強學習等,在訓練完成後可以產生線性模型、樹狀模型、貝式模型或神經網路模型等不同的人工智慧。希望本文的介紹能夠啟發有興趣的藥師思考如何參與人工智慧的發展、應用自身的專業以連結醫療與科技,並於臨床藥學運用相關技術。

 


關鍵字: 人工智慧、機器學習



壹、 前言


近年來,如何將藥學與人工智慧(Artificial intelligence, AI)結合是藥學界的熱門話題,其應用範圍包括新藥探索與發展、蛋白質藥物研發、基於蛋白質結晶結構的虛擬藥物篩選、藥物合成及臨床試驗1、識別高風險患者,預防再入院,並提升藥事服務品質2等方面。製藥工業中,AI還能模擬藥物大量製造時的非線性關係,以開發更有效率的解決方案3。隨著資料蒐集能力的提升、電子輔助記錄裝置的普及以及資料處理速度的提高,AI在藥物研究、病人諮詢服務及行政管理等多重領域的應用也得到了全面發展4。狹義AI(又稱弱AI)專注於單一任務,通過預設規則計算特定檢驗數值與症狀,輔助醫療決策。通用AI(又稱強AI)則具備辯論、記憶和解決問題的能力,類似於人類思維。超級AI則在探索人類無法解答的複雜問題上發揮作用,其認知功能引起了對於可能取代人類工作的擔憂5


貳、 機器學習的技術原理


機器學習(Machine learning)是一種透過數學方法對數據進行計算和推測的技術。傳統預測模型為建立規則後,使用時輸入數據藉由規則求得計算結果。但是機器學習的方式只提供輸入數據與結果,改讓電腦自行計算出資料之間的規則與關聯性,這個過程稱為訓練(Training)。隨著數據的增加,機器學習模型的預測結果將更加準確,甚至能夠發現先前遺漏的病例。受益於現代電子醫療穿戴設備的進步,這些設備能夠自動收集大量數據並上傳電腦進行計算,從而省去了大量人工處理的工作,使得機器學習成為主流的訓練方法。與過去需要專家逐條制定規則和計算方法不同,機器學習的結果可以根據不同的資料類型進一步細分為多種模式。


一、監督性學習 (Supervised learning)


監督性學習是最常見的機器學習方法,這種方式需要大量的訓練資料來找出數據規律,從而提高預測的準確性。監督性學習廣泛應用於分類和回歸問題,例如將數據分類到特定的類別中或預測數值型數據。訓練人員可以藉由確認結果是否正確來調整計算模型,因此才稱為監督性學習。藥師可以藉由指導資訊人員相關數值的正確性,以及在臨床上是否具有意義、數值與病情的關聯性,或是提供一些典型數據讓電腦進行訓練。目前在臨床上的應用很多,例如預測冠心病死亡率、分類心電圖中心律不整的種類或是預測自殺傾向與急性腎損傷的發生等AI模型7。以醫院藥師的角色為例,藥師或許可以利用收集的數據來開發腎功能藥物調整的模型,或是建立用於藥物諮詢的問題判斷系統。這些系統的開發需要大量精確的訓練數據,以確保模型能夠準確反映藥物與病人狀態之間的關係。在人工審核並確認模型的合理性之後,這些自動化系統將有助於減輕藥師的工作負擔。隨著準確的大數據模型的建立,這些工具能夠提供更快速、更可靠的藥物管理建議,從而提高整體醫療服務的品質。


二、非監督性學習 (Unsupervised learning)


非監督性學習是用來在沒有明確預測目標的情況下探索數據之間的潛在關聯性。這種方法特別適用於那些數據與病情關係不明確的狀況。例如,非監督性學習可以分析醫療設備自動蒐集的數據,識別出與特定症狀和指標相關的模式,從而簡化計算和判斷過程。這種學習方式可以用於數據分類、歸納、異常檢測、數據簡化、以及相關性分析等。近來更進一步的運用是藉由挑選數據,應用在通報緊急狀況、找出未發現的藥物不良反應,或是尋找未知的藥物分佈途徑,這種方式有時候被稱為資料驅動探索(data-derived discovery)。藥師可以在此方面確認AI挑選出的數據的合理性,以及判斷一些偵測出的數值異常是否具有臨床意義。一個有名的非監督性學習的例子是在基因表現中尋找AML(acute myeloid leukemia)與ALL(acute lymphoblastic leukemia)的差別7。藥師可以利用這種技術,結合醫療系統中的大量數據,訓練AI模型識別出與病程進展相關的特定數值。尤其因為時間與病況的不同,所呈現連續性的檢驗數據非常多,因此臨床上時常耗費時間在人工判斷數據是否具有臨床意義。因此若是建立此類AI系統後,就可以大幅降低藥師需要在系統內找尋與過濾所需資料的時間。

 


三、 半監督學習 (Semi-supervised learning)


半監督學習結合了監督學習的明確和非監督學習的探索特點。這種學習模式適用於當資料難以直接分類,或其他方法計算結果不理想時。在這種情況下,可以先透過非監督學習對數據進行初步分類,然後再應用監督學習進行分析和預測。這種方法適用於輸入資料豐富但標記結果難以獲得或是要得到資料的成本較高、取得困難的情況。雖然實際應用的例子不多,但已有一些著名的案例,如利用圖像處理技術識別細胞邊緣、預測化學物質的毒性,或是從網絡評論中識別關於藥物副作用的討論。這些例子的特點都是具有大量的原始資料,需要經由AI篩選才能進一步分析與研究。藥師在尋找解決特定問題的方法時,可以考慮這種混合AI模式,類似於縮小搜尋範圍藉以提高判斷的準確度、降低獲得無效結果的成本進而增進臨床事務的效率。


四、 增強學習 (Reinforcement learning)


增強學習的方法不直接處理資料與結果,而是讓AI通過與結果的互動學習如何做出最佳決策,基於其行為產生的結果進行自我調整,目標是最大化獎勵或最小化懲罰。這類似於訓練電腦在遊戲中透過不斷嘗試和錯誤來獲得最高分數。在棋類比賽中訓練出強大的AI模型是一個著名的例子,AI通過不斷的對弈學習如何獲勝。然而,增強學習在醫療決策中的應用很少,因為醫療決策通常需要個人化,每位病人都是獨特的。錯誤的決策可能會帶來嚴重的倫理道德問題,且不像遊戲那樣可以重複進行嘗試。因此,增強學習在醫療領域的應用可能侷限於特定的技術領域,如藥物辨識系統,而不適合直接應用於病人的醫療決策。


參、 演算法類型


機器學習所訓練出來的演算法是由電腦根據提供的訓練數據自動構建其內部邏輯的。這些模型有的是可見的,使我們能夠追蹤和理解其推理過程;有時候模型的內部結構不清晰甚至可能完全未知,這類模型被稱作黑盒模型(black box models)。對於這些不透明的模型,我們或許會對其產生的結果感到不信任,但這與某些藥物的作用機制尚未被發現的情況相似:儘管其工作原理不明,但它們在實際應用中仍然顯示出效用。以下是一些在機器學習中常見的模型類型。


一、 線性模型


線性模型是建立在線性關係上的模型,它通過線性回歸方程式來推測輸入數值與輸出預測之間的關聯。這種模型適用於分類任務和連續數值的相關性分析,並且不需要對數據進行複雜的轉換。例如,線性模型可以用來探討一秒鐘內呼氣量(FEV1)與年齡、性別、吸菸習慣等因素之間的關係。其優勢在於模型的簡潔性和易於理解,使其成為評估風險因子影響的常用工具。然而,它可能因為考慮的條件過於單純導致無法推測出複雜的數據類型。


二、 樹狀模型


樹狀模型是一種基於分枝決策的模型,可以根據監督式學習的規則,將資料分成不同的類別或是預測結果。樹狀模型的優點是它可以清楚地展示分類與預測的過程和邏輯,但缺點是它的準確性可能不如其他模型。為了提高準確性,可以將多個樹狀模型結合起來,形成隨機森林或是梯度提升樹模型。分析用來預測病人的再入院率的模型發現,在已發表的演算法類型中以樹狀模型占比最高2,不過目前仍在近一步研究如何再進一步增進模型的預測品質。在韓國也有以樹狀模型預測抗生素的不良反應發生機率,用來提醒藥師在發現怎樣的數據訊號時可能會是不良反應的徵兆,其預測的準確度相當高,甚至能發現臨床上被忽略的不良反應案例6


三、 貝氏模型(Bayesian models)


貝氏模型是基於貝氏定理的機率模型,可以用來預測一些無法直接觀測的不確定性變數,通常是用來處理一些有條件相依的問題。但是這種方法也有缺點,就是如果數據資料不足,就會導致機率預測有很大的誤差,因此需要事先設定一些合理的事前機率分布(prior probability distributions)來避免這種情況發生。貝氏模型的實際應用例子有運用在計算抗癌藥物的劑量以避免嗜中性球減少症副作用(Neutropenia)的演算法7、藉由病人的資料來預測Vancomycin的藥物動力學參數以進行血中濃度監測(TDM)8,9等模型。


四、 神經網路模型(Artificial Neural Network, ANN)


神經網路模型是模仿生物神經元相互連接的模型,藉由連結多個小型的神經元組成。每個神經元都可以執行獨立的運算模型,然後將結果傳遞給下一層。藉由調整不同神經元之間的連結強度和權重後得到最終的輸出,因此可以用來處理複雜的資料、可以根據新的輸入數據來不斷更新改善預測模式。但因為需要進行多次運算,這種方法需要大量的電腦計算能力,且它的內部運作原理很難被解釋和理解。這是目前主流的機器學習訓練方法,因為現實的臨床問題通常不是單一模型能夠解決的,通常必須聯合多個不同演算法後才能得到較為理想的計算結果。這種方法叫做深度學習(Deep learning),深度的意思代表計算過程不只一層而是具有多層。目前已有運用在急診心肌梗塞的辨識和病人對於Warfarin藥物反應的預測等領域4


肆、 討論


統計近年發表的AI藥學文章,發現目前大部分運用於醫院當中。數量的多寡依序為輔助審查處方、輔助調劑業務、輔助教學與面談10。若是想要建立一個AI模型,首先需要分析當前所面臨的問題,並尋找適合的技術解決方案;第二步是發展並整合相關的技術模組,並開發易於使用的交互介面;第三步是佈署並應用11。在佈署完成後還需要在實際應用中監測生成結果的穩定性,以確保其運作不會產生預期外的不良結果。對於病人來說,運用AI可以提供個人化的衛教與諮詢服務、增進服藥的順從性並且降低取得醫療資訊的成本,也可以藉由穿戴設備監控病人的健康狀態、輔助調整日常生活型態、提醒服藥與運動的時間12。然而臨床上要實際運用AI仍然面臨許多的問題與挑戰,包括如何保證隱私與安全、如何證實有效性與可靠性、設備的資金來源問題以及人員對於陌生技術的排斥問題13。例如雖然問卷顯示80%以上的受訪者都認為AI藥物諮詢對於病人有幫助且有意願想要試用。但是實務上來說,大部分的人都不太願意與電腦AI對話14。況且目前的聊天式AI模型雖然能夠及時給予回覆,但還不能做到根據病人的個別狀況給予個別的指導15


伍、 結論


AI為藥學帶來革命性的發展機遇,不僅在醫院具有能夠提升藥物調劑效率、增強病患服務品質、促進教學成效等多個面向,在其他的藥學研究領域也有相當多的應用,但受限於篇幅本文僅著重於醫院藥學部分。希望本文能夠讓藥師理解AI的原理,並利用這些知識來提升現有的醫療品質、擬定個人化的藥物諮詢服務、解決藥局現場遭遇到的各項問題、發展互動式的教學模式,以及協調與科技團隊的技術合作。AI技術的發展將持續拓展未來藥事教學、研究與服務的無限可能。

 



Artificial Intelligence and Clinical Pharmacy: Theory and Practice of Machine Learning


Po-Chun Hsu, Hsiu-Jing Pang, Zhi-Feng Lu, Yu-Chin Lily Wang


Department of Pharmacy, Kaohsiung Chang Gung Memorial Hospital

 



Abstract


The application of artificial intelligence (AI) in clinical pharmacy can not only improve the efficiency and quality of clinical pharmaceutical services, but also reduce the work loading and improve the accuracy of decision-making for pharmacists. Therefore, if pharmacists can understand the principles and operations of AI, they can play an important role in communication and coordination between technology engineers and medical professionals. This article introduces the basic concepts of AI, the application scenarios of pharmacy, and the common models of machine learning, and gives examples of research results using machine learning techniques to improve the quality of pharmaceutical services. Machine learning has various uses in pharmacy, such as dose calculation recommendation, drug development, clinical trials, or drug consultation. Machine learning training methods include supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning, among others. After the training is completed, different types of AI models can be generated, such as linear models, decision tree models, Bayesian models, or neural network models. We hope that this article can inspire interested pharmacists to think about how to participate in the development of AI, apply their own expertise to connect medical and technology, and use relevant techniques to practice in clinical pharmacy.



參考資料:


1. Kumar M, Nguyen TPN, Kaur J, et al: Opportunities and challenges in application of artificial intelligence in pharmacology. Pharmacol Rep. 2023;75(1):3-18.
2. Huang Y, Talwar A, Chatterjee S, et al: Application of machine learning in predicting hospital readmissions: a scoping review of the literature. BMC Med Res Methodol. 2021;21(1):96.
3. Damiati SA. Digital Pharmaceutical Sciences. AAPS PharmSciTech. 2020;21(6):206.
4. Nelson SD, Walsh CG, Olsen CA, et al: Demystifying artificial intelligence in pharmacy. Am J Health Syst Pharm. 2020;77(19):1556-1570.
5. Sandeep Ganesh G, Kolusu AS, Prasad K, et al. Advancing health care via artificial intelligence: From concept to clinic. Eur J Pharmacol. 2022;934:175320.
6. Jang MG, Cha S, Kim S, et al: Application of tree-based machine learning classification methods to detect signals of fluoroquinolones using the Korea Adverse Event Reporting System (KAERS) database. Expert Opin Drug Saf. 2023;22(7):629-636.
7. Maier C, Hartung N, Kloft C, et al: Reinforcement learning and Bayesian data assimilation for model-informed precision dosing in oncology. CPT Pharmacometrics Syst Pharmacol. 2021;10(3):241-254.
8. Chen A, Gupta A, Do DH, et al: Bayesian method application: Integrating mathematical modeling into clinical pharmacy through vancomycin therapeutic monitoring. Pharmacol Res Perspect. 2022;10(6):e01026.
9. Tang BH, Zhang JY, Allegaert K, et al: Use of Machine Learning for Dosage Individualization of Vancomycin in Neonates. Clin Pharmacokinet. 2023;62(8):1105-1116.
10. Ranchon F, Chanoine S, Lambert-Lacroix S, et al: Development of artificial intelligence powered apps and tools for clinical pharmacy services: A systematic review. Int J Med Inform. 2023;172:104983.
11. Verma AA, Murray J, Greiner R, et al: Implementing machine learning in medicine. CMAJ. 2021;193(34):E1351-E1357.
12. Chalasani SH, Syed J, Ramesh M, et al: Artificial intelligence in the field of pharmacy practice: A literature review. Explor Res Clin Soc Pharm. 2023;12:100346.
13. Jarab AS, Abu Heshmeh SR, Al Meslamani AZ. Artificial intelligence (AI) in pharmacy: an overview of innovations. J Med Econ. 2023;26(1):1261-1265.
14. Sato H. [Development of Clinical Pharmaceutical Services via Artificial Intelligence Adaptation]. Yakugaku Zasshi. 2022;142(4):337-340.
15. Amin R, Darwin R, Dey BK, et al: Examining the differences between how doctors and artificial intelligence chatbots handle patient symptoms. Int J Surg. 2023;109(10):2892-2895.

通訊作者:許博淳/電子信箱:hsmnze@gmail.com