机器学习技术促进中药药学服务的思路和探讨

李肖楠（北京中医药大学附属护国寺中医医院,北京 100035）

机器学习（Machine Learning，ML）是人工智能（Artificial Intelligence，AI）的分支学科，是目前计算机科学成长最快的领域之一。机器学习是让计算机无需进行明确编程就具备学习能力的一个研究领域[1]。相对于传统方法，机器学习具有自动适应改变的特性，可以根据新情况不断更新，并自动训练学习算法。一般可根据是否在人类监督下训练分为监督学习、无监督学习、半监督学习及强化学习。

近十余年来，由于机器学习等技术的迅速发展，人工智能在图像识别、自然语言处理、预测等方面取得了极大进展，在解决一些特定问题方面甚至超过了人类[2]。机器学习技术在中医现代诊疗中已经取得了一定的进展，除了中医药研究机构，目前在清华大学、中国科学院[3]等工科研究机构都有相关领域的研究。中药药学服务是中医药医疗服务中一个非常重要的方面，对提高处方质量、促进合理用药、保障医疗安全起着重要作用。本文针对使用机器学习技术促进中药药学服务的应用方面提出一些思路及探讨。

1 机器学习用于中药药学服务的可能性

1.1 中药药学服务存在的问题 中药药学服务除了保障患者用药安全有效、经济合理外，还有自身的特点。中药药学服务目前存在以下问题。

①中药药学服务不受重视。因我国中药应用的广泛性及合理用药需要的迫切性，中药药学服务应实现同质化[4]，以避免对服务质量产生影响。一些中医院开展了相应的中药药学服务，也取得一定的成绩，但目前仍未受到相应的重视。而一些医院并未开展中药药学信息服务，因此无法为患者提供相应的咨询及用药指导[5]。

②对专业人员的要求更高。根据卫生部印发的《医院处方点评管理规范（试行）》，医院的药学部门需成立处方点评工作小组，要求药师不仅要具有较丰富的临床用药经验和合理用药知识，还需具备相应的药学专业技术职务任职资格。国内的中医院是以中医为主，中西医并重，中医院药师需同时精通中药、西药及中西药合用的情况，这对中医院的药师提出了更高的要求[6]。此外，药师根据个体经验从人口统计学、患者基本情况、现有医疗条件等来判断用药的准确性，难度较大，相对于西药而言，中药药学服务以中医药理论为指导，由于中医辨证诊治、配伍用药的个体差异性大，中药饮片处方点评难度较大，还面临着点评内容不一、标准不统一的情况[7]。

③专业人员紧缺。在2018年，中药师在中医类医院及中医类门诊部占同类机构药师总数的52.2%和79.0%，均远低于同类机构平均水平。而在广大的乡镇卫生院，中药师只占同类机构药师总数的25.1%[8]。专业技术资格人员的紧缺，尤其是基层专业药师人员的紧缺也限制了中药药学服务的提供。

1.2 机器学习技术用于中医的可能性 现代医学和中医的诊疗过程都是不确定性推理。中医学注重整体效应、经验思维、关注预测推理，传统的数据统计方法对数据的同质性、分布等要求高，难以对中医数据进行有效的推理。

机器学习技术可以有效地将病证结合思想融入临床诊疗活动中，并有效利用目前不断积累的医学数据[9]，更好地处理高维数据。人工神经网络是用大量简单处理单元经广泛连接而组成的人工网络，是对人类大脑或生物神经网络若干特征的抽象和模拟。机器学习或深度学习等机器学习技术可以从既往合理处方中生成相应合理处方的数学概率模型，或者形成神经网络，可以有效地拟合规则或推断。此外，机器学习模型可复制，不受限于人力，对于医疗资源短缺及医疗公平有重要的意义。

2 应用思路

2.1 中药处方点评 处方点评是医院持续医疗质量改进和药品临床应用管理的重要组成部分，是提高临床药物治疗学水平的重要手段。处方点评对中药临床合理应用有促进作用[10-11]。目前中药饮片处方存在缺少中医诊断、中医诊断书写不规范、诊断与用药不符、药味数超医保、毒性中药饮片超剂量、配伍禁忌、未标注特殊煎煮要求等问题[12-14]。相应的问题可以分为以下两方面进行解决。

对于用法用量不适宜、联合用药不适宜（十八反、十九畏）、重复给药、药味偏多、药物超剂量使用未标明原因或未再次签名等问题均属于明确的问题，设定明确的规则即可在计算机上系统实现。研究[15]表明，使用处方前置审核系统可以明显降低中成药不合理用药发生率。

在具体的临床工作中，中药处方的合理治疗方案有其多样性，临床用量也有较大的差异，使用精确的方法难以完全适用于中药处方的质量管理[16]。对于无法用规则明确定义的问题，如处方功能主治与证型不符、中药遴选不适宜、药物剂量配比不合理、毒性中药用量超量等，机器学习技术可以利用已有海量的处方数据及处方点评的结果，通过训练形成数学概率模型或深层神经网络进行有效的推理，并根据数据积累，不断提高正确率。有研究使用575个著名的中药处方及1961个随机生成的中药处方做训练，使用支持向量机SVM（Supprot Vector Machine，SVM）模型，最终结果显示可以达到99.9%的精度，并测试近年发表的处方，有68.7%的处方被正确分类[17]。

此外，机器学习系统可以自动对处方点评结果进行汇总和综合分析评价，并以此为基础提出质量改进建议，总结医院在药学管理、处方管理和临床用药方面存在的问题，这可以极大地提高处方点评的效率及处方点评的覆盖度。

2.2 门诊患者用药咨询工作 门诊患者用药咨询是药学服务的一个重要方面。中医专家系统可为药师提供有益的支持。中医专家系统是对中医临床经验进行仿真的工具，在20世纪80年代一度成为中医研究的热点，使用的是一些简单特征并套用现有规则，但由于临床应用效果不佳而自20世纪90年代日渐沉寂[18]。

目前专家系统综合了自然语言处理、知识图谱等技术，模拟医学专家诊病开方的思维过程，继承其丰富的临证经验及辨证思维，形成一个潜在的、有效的知识体系来促进现代诊疗。在现实世界中，使用中医诊断治疗疾病的疗效是非常复杂的，使用知识图嵌入增强主题模型用于中药推荐，不仅考虑了中医医学案例中的共现信息，还考虑了中医知识图中症状和中药的综合语义相关性，以更好地表示诊断和治疗过程[19]。一种新的中医知识发现系统结合多种数据挖掘技术，主要包括药物依赖关系发现算法、基于神经网络的降维算法、使用基因表达编程探索处方与疗效之间关系的方法、基于中药剂量发现性味和归经方面的属性的方法，该系统可以协助进行处方审核，并自动区分处方中的配伍[20]。陈擎文[21]开发了基于神经网络技术的自动诊疗系统，该系统可以极大地帮助各界医生分享和学习中医专家的经验，可以提高中医的整体诊疗水平。Li[22]等学者提出了一种基于结构偏序属性图理论，从著名中医糖尿病专家经验中发现临床诊断新知识的方法。使用自动知识图谱构建技术，构建中医学知识网络，并达到较高的精确度[23]。这些方法为中医药的处方发现及处方推荐提供了一种科学先进的技术手段。以数据驱动的中药推荐方法可以在实际临床实践中更加精准、智能地制定及推荐科学的治疗处方，相应的中药处方推荐可以为药师提供有益的参考。

2.3 中药不良反应监测工作 医疗机构在开展中药临床药学服务时，除了采用标准的方法评估中药的安全性以外，还可以借助机器学习方法提高中药不良反应监测工作的效率。

现有的多数方法在中药不良反应监测工作中都是在分析已知的中药禁忌药味，而机器学习技术可整合现有数据，帮助临床药师在临床实践中预测药物不良事件甚至可能存在禁忌的中药药味。如有研究使用中医文献的信息来估计中药属性之间的相关性，这些信息共同纳入框架以改进最终的预测效果，根据真实世界的数据集进行验证，相关方法可以用于中药可能的禁忌药味的预测[24]。使用传统的词袋（Bag-of-Word，BOW）模型预测中药处方的不良反应，其最高的预测准确率可达0.908，这种方法可以预测中药处方的副作用或者其他复合成分的药物[25]。同时机器学习算法还可以用于毒性成分的预测，相关研究整合了十大肝毒性中药，通过系统药理学方法及中药系统药理学数据库识别潜在的肝毒性成分。He[26]等学者基于机器学习可用于评估天然化合物和合成药物的肝毒性风险，提出的计算毒理学方法将有助于筛选中药中的肝毒性成分。这不仅为了解中药的肝毒性机制提供了一个新的视角，还有助于中药的安全应用。

2.4 病历数据的信息标注 中医医案承载着中医的核心知识内涵。在中医领域，病历是医生诊治的客观记录。中药临床药学工作中，中医医案对于评价患者病情及评估用药合理性至关重要，但由于信息内容庞大并且相对无序，占用了临床药师大量的阅读时间，如何从中提取有用的信息是一项重大的挑战。

机器学习及自然语言处理（Natural Language Processing，NLP）技术可以快速标注并处理病历数据，极大地提高了临床药师的效率。NLP是研究人与计算机之间用自然语言进行有效通信的理论和方法。由于电子病历数据不仅有结构化数据，还有大量非结构化的文本数据，且大量中医相关的信息存在于非结构化的文本中。非结构化数据必须通过标准化和解析后才可以使用机器学习进行分析和训练。手动构建及标注语义既费时又费力，将文本中的非结构化信息提取并标注为结构化数据是文本分析的第一步。自动构建任务的自动化方法的开发还处于初期阶段[27]。信息提取最基本的工作是命名实体识别。针对目前的情况，利用中医药专利文本的语言特点和结构特点，提出了一种改进的序列化协同训练方法来识别中医药专利摘要文本中的药名。该方法可以在相对较低的时间复杂度下保持较高的精度。此外，该方法还可以扩展到对中药专利中其他命名实体的识别，如疾病名称、制备方法等[28]。Chowdhury[29]等人使用一种新的多任务双向RNN模型，以提高电子病历中命名实体识别的性能，并使用真实数据集的评估结果证明了所提出模型的有效性。

3 小结

机器学习的方法将极大地提高医疗服务的效率。假如机器学习可以学习中医处方及处方应用、处方识别的能力，那么未来全世界医院的医师及药师都将共享这一能力。基于这种能力，人工智能有望帮助人类进行诊断及调配处方，协助医师及药师提高合理用药水平，保证患者用药安全，从而极大地提高中药药学服务水平并减轻药师的负担，这对中医药服务和医疗决策支持具有重要意义[30]。

将机器学习技术与中医药服务领域整合，帮助中医药进入大数据时代和人工智能时代，可有效地提高中医药服务的效率和公平度，最终为中医药现代化作出相应的贡献。