人工智能驱动的用药风险评分计算器应用开发：提升全球药物治疗安全性的创新工具

本综述介绍了增强型用药风险评分（AUGMERIS）计算器的开发与应用，该工具结合人工智能（AI）与丹麦用药风险评分（MERIS）方法，通过自动化处理非结构化电子健康记录（EHR）和计算用药风险，帮助临床药师识别高风险患者。研究采用混合文本处理模型（结合规则算法与生成预训练Transformer（GPT）技术），验证了其在低质量数据上的性能，并通过全球测试（8个国家383次计算）证实其潜力。AUGMERIS有望通过优化药物治疗审查流程，提升患者安全性和医疗效率，适用于多样化的医疗系统。

　　

引言

背景

临床药师的核心职责是预防药物相关问题（DRPs），尽管已有大量关于其干预有效性和治疗优化指南的文献，但在日常临床实践中的应用仍面临障碍。不同国家的临床医生能力差异及文档系统缺陷，导致药物审查（MedRev）过程需要大量支持。药物治疗的优化旨在减少由副作用或相互作用引起的DRPs，并降低医疗支出。临床药师在住院病房的干预效果已得到广泛证实，尤其在患者结局、药物管理和医疗成本方面具有积极影响。

匈牙利临床药学在过去十年中发展显著，但与国际水平相比，临床药师数量仍相对不足。美国平均每20-30张病床配备一名临床药师，而欧洲国家的比例差异较大，英国为1:30至1:50，某些地区甚至高达1:60以上。这种差异凸显了匈牙利医疗系统在人员配置和资源分配方面的持续挑战。

识别高风险药物治疗是一个全球性未解问题。现有工具如美国Beers标准和欧洲STOPP/START工具包仅适用于老年科，且聚焦于药物本身，而非患者。相比之下，丹麦用药风险评分（MERIS）算法以患者为中心，通过结合客观参数和人工智能文本处理方法，有望成为广泛应用的解决方案。MERIS算法可生成病房风险图，帮助临床药师集中关注最需要药物审查的患者。

研究目的

本研究旨在开发一个自动计算丹麦用药风险评分（MERIS）的应用程序，并从真实数据中处理低质量治疗描述。为此，研究团队创建了两个Python库：一个用于计算，另一个用于数据转换，并将这些元素集成到网络应用中。

材料与方法

开发语法与库

研究使用Python 3（版本3.9.6）、HTML5、CSS3和JavaScript进行开发。关键Python库包括自然语言工具包（NLTK）、Streamlit、Pandas、GeoPandas、Folium、OpenAI、Pillow和Matplotlib。

MERIS计算器模块结构

MERIS算法由Eva Aggerholm S?dder及其同事开发，提供0至36.2分的评分尺度，用于评估同时用药的风险。低于14分为低风险，14至26分为高风险，超过26分为极高风险。临床药师干预对高风险治疗是必要的，而极高风险类别需要临床药理学家审查。该算法需要估计肾小球滤过率（eGFR）值和同时使用的药物列表。eGFR通过慢性肾脏病流行病学合作（CKD-EPI）方程计算，被认为比其他估计方法更可靠。

MERIS算法为53种药物类别分配点值，基于其危害和相互作用潜力。计算包括肾功能评分、药物数量评分和药物质量评分。研究团队构建的Python类使用Pandas库，通过输入eGFR和药物解剖治疗化学（ATC）代码列表进行计算。该类方法可计算MERIS评分，并记录子评分日志。

文本处理模块结构

电子健康记录（EHR）系统数据结构的多样性是自动化MERIS评估的主要障碍。大多数EHR系统仅有一个文本字段记录住院患者的药物治疗，包含非统一、手打的描述和许多拼写错误。这种数据人类可理解，但无法用常规信息学方法处理。

研究团队最初尝试基于匈牙利国家公共健康和药学中心（NNGYK）药物数据库生成的密钥集进行直接文本处理。处理非结构化数据是生成人工智能（AI）在医疗行业应用的主要优势之一。生成预训练Transformer（GPT）模型的发明代表了人工智能领域的重大进步，特别是在自然语言处理（NLP）方面。这种新颖架构允许模型并行处理文本序列，使其比之前的序列模型更快、更高效地从大型数据集中学习。

在实验中，研究团队使用相同清理后的数据池测试两种GPT模型和一种基于规则的算法。结论是单独使用任何一种效果都不佳。因此，通过结合两种技术，创建了一个混合模型，融合了严格匹配算法的精确度和速度与基于GPT解决方案的灵活性。团队通过OpenAI的应用编程接口（API）直接从代码中访问GPT模型，以离散快速的方式将AI功能集成到模块中。

当前模型首先在输入的文本中搜索复杂的活性成分和药物名称，基于使用匈牙利药物数据库（NNGYK和NEAK的PUPHA）编译的密钥集。识别出的序列从文本中删除，然后使用NLTK对文本进行标记化，并对标记进行验证以确保列表中仅保留潜在药物名称。在验证数据集上，严格算法执行单词药物名称搜索，然后尝试借助GPT-4o识别剩余元素。通过处理输入，记录集成清理算法未从源中删除的标记，以发现其改进可能性。

文本处理模块验证实验

随着开发的进展，需要测试文本处理模块是否为评估提供可靠数据。试图证明的两个假设是：AI文本处理可以从最差质量的数据源中提取数据，以及临床药师干预的加权数量与病例的MERIS值相关。

根据原始MERIS算法，使用与原始文章相同的风险类别为每个记录确定用药风险评分。邀请两名独立临床药师按照MERIS算法中使用的客观标准评估样本事件。专家在评估过程中手动将考虑的药物分类到MERIS风险类别中。因此，在专业评估过程中未使用任何自行开发的算法。

实验中还尝试测量专家的主观意见。第一个主观值是专业人员认为需要进行的干预数量。使用了四分的二维尺度，因为在回顾性分析中使用任何验证的加权工具过于挑战：要求的值是临床药师干预在实际案例中的相关性和紧迫性。统计中使用的主观分数是通过将三个值相乘计算的。

然后将使用基于AI的文本处理方法确定的MERIS值与上述验证实验结果进行比较。还调查了病例的MERIS值是否与专业人员主观意见的度量相关。

设置与数据收集

文本处理算法验证实验的数据池是来自匈牙利卡罗丽娜医院的一组匿名病例描述，包含2022年6049例住院事件。经过数据清理，选择标准是文件包含血细胞计数结果和治疗描述，数据集大小缩小至2999例，从中挖掘出同时使用药物名称和eGFR值的治疗描述部分。通过基于病例描述的自动评估从所有三个风险组（低、高和极端）随机选择15个病例，创建人类评估样本。

结果

主要结果是由AI驱动模块计算的MERIS评分和由临床药师确定的MERIS评分。次要结果是专业干预的主观加权评分，用于探索其与MERIS值的相关性。

数据分析

使用Spearman相关性计算进行评估，显著性水平为p < 0.05。

网络应用描述与功能

使用Streamlit框架（版本1.31）将文本处理模块和计算器模块组合成网络应用，其主要优点是通过允许用纯Python 3代码构建应用节省大量时间。软件大部分组件用Python 3创建。客户端语言（HTML5、CSS3和JavaScript）仅用于增强用户体验和收集国家数据。

应用在公共Streamlit服务器上运行，可通过URL https://meriscalculator.streamlit.app/访问。Python 3文件存储在GitHub的私人仓库中，从中自动部署到服务器。

为增加计算器功能，在私人安全服务器上创建数据库以跟踪应用使用情况。在此数据库中，记录输入值、访问国家、评估函数的返回值和应用的响应时间。应用使用是自愿的，测试者提供的数据主要是虚构的。然而，即使有真实治疗描述和eGFR值，存储的数据也不足以识别患者。使用这些数据计算统计量并通过人工审查评估响应准确性，以识别未预见错误并进行算法校正。搜索被错误识别的药物，并尝试确定错误原因并找到避免方法。

尽管该工具主要设计用于协助临床药师，但在界面上包含了相关参考文献并提供各种补充信息，使任何人都能使用。用户界面（UI）主页易于使用，允许用户以自由文本格式输入治疗描述和eGFR值。应用自动处理输入数据，计算并显示MERIS值，直观展示子评分分布和MERIS类别。还提供已识别药物的视图，指示处理方法的类型。应用UI填充虚构数据。界面其他页面提供一些统计信息，如最近60天的使用时间线和称为“活动地图”的功能，用户可按大洲查看应用访问的实际分布。用于在静态地图上显示活动的工具是GeoPandas，而应用界面上的交互式地图用Folium制作，这是Python 3的地理信息库。

网络应用全球使用分析

本节概述了从公开全球可访问的AUGMERIS网络应用收集数据的前瞻性分析方法论。

设置与数据收集

数据自愿匿名收集自八个不同国家的AUGMERIS网络应用用户。数据集包括383次试验计算，捕获输入值（治疗描述、eGFR）、应用响应时间和访问国家。

结果

该分析的结果是应用性能指标（例如AI与本地处理的平均响应时间）、不同国家AI辅助药物识别的比例以及使用统计，包括每个国家的计算数量和MERIS风险类别分布。

数据分析

使用描述性统计（均值、标准差）总结性能和