吳行偉 ，劉馨宇 ，龍恩武 ，童榮生 *

近年來(lái)，隨著臨床信息系統(tǒng)的建立和完善，醫(yī)療數(shù)據(jù)的可用性不斷提高。然而，影響藥物治療結(jié)果的因素繁雜，且各因素之間可能存在交互作用。因此，對(duì)藥物治療過(guò)程中產(chǎn)生的真實(shí)世界數(shù)據(jù)進(jìn)行分析時(shí)，面臨高維度、大樣本、共線性等復(fù)雜問(wèn)題。這些問(wèn)題使得臨床藥師在復(fù)雜的臨床狀態(tài)下，難以對(duì)藥物作用的效果和風(fēng)險(xiǎn)進(jìn)行有效的早期識(shí)別和預(yù)測(cè)，從而影響藥物治療結(jié)果，導(dǎo)致疾病進(jìn)程加快、負(fù)擔(dān)加重、患病率和死亡率上升、住院時(shí)間延長(zhǎng)［1-4］等問(wèn)題出現(xiàn)。

機(jī)器學(xué)習(xí)作為人工智能的核心技術(shù)，由于其在處理高維度、大數(shù)據(jù)等方面的獨(dú)特優(yōu)勢(shì)，越來(lái)越多地被應(yīng)用于分析藥物治療過(guò)程中患者復(fù)雜的臨床特征和用藥情況。本文對(duì)機(jī)器學(xué)習(xí)在臨床藥物治療中的進(jìn)展和成果予以綜述，內(nèi)容包括藥物處方和用藥劑量、藥物不良反應(yīng)、藥物療效、耐藥性、藥物相互作用和用藥依從性等，為臨床醫(yī)生及藥學(xué)同行開(kāi)展基于機(jī)器學(xué)習(xí)的預(yù)測(cè)模型研究提供方法和模式的參考。

1 機(jī)器學(xué)習(xí)概述

機(jī)器學(xué)習(xí)由計(jì)算機(jī)科學(xué)家Arthur Samuel于1959年提出，其被描述為“計(jì)算機(jī)在沒(méi)有編程的情況下的學(xué)習(xí)能力”［5］，可被理解為基于真實(shí)世界數(shù)據(jù)或以往的經(jīng)驗(yàn)開(kāi)發(fā)數(shù)據(jù)驅(qū)動(dòng)的算法，以學(xué)習(xí)和模仿人類(lèi)的行為［6］。根據(jù)學(xué)習(xí)方式的不同，機(jī)器學(xué)習(xí)分為有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等。監(jiān)督學(xué)習(xí)即輸入大量帶有標(biāo)簽的樣本數(shù)據(jù)以建立一個(gè)模型并得到相應(yīng)輸出值，主要被用來(lái)處理分類(lèi)和回歸任務(wù)，常見(jiàn)的算法有邏輯回歸、支持向量機(jī)和K—鄰近算法等［7］。無(wú)監(jiān)督學(xué)習(xí)即通過(guò)輸入無(wú)標(biāo)簽的數(shù)據(jù)來(lái)學(xué)習(xí)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和關(guān)聯(lián)，其更多地被用來(lái)處理聚類(lèi)和降維問(wèn)題，常見(jiàn)算法包括K—均值聚類(lèi)和期望最大化聚類(lèi)等［8］。強(qiáng)化學(xué)習(xí)即根據(jù)狀態(tài)和動(dòng)作計(jì)算獲益，將獲益反饋到模型并對(duì)模型作出調(diào)整以獲得最大的獎(jiǎng)勵(lì)信號(hào)，常見(jiàn)算法包括Q學(xué)習(xí)以及時(shí)間差學(xué)習(xí)等［9］。作為機(jī)器學(xué)習(xí)的分支之一，近年來(lái)深度學(xué)習(xí)在醫(yī)學(xué)領(lǐng)域的應(yīng)用取得了巨大成功。其通過(guò)在輸入層與輸出層之間使用隱藏層來(lái)對(duì)數(shù)據(jù)的中間表征進(jìn)行建模，用于有監(jiān)督或無(wú)監(jiān)督的特征學(xué)習(xí)、表示、分類(lèi)和模式識(shí)別等，常見(jiàn)算法有深度神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)等［10］。

2 機(jī)器學(xué)習(xí)在臨床藥物治療中的應(yīng)用

2.1 藥物處方和用藥劑量預(yù)測(cè) 在藥物處方預(yù)測(cè)方面，尤其針對(duì)慢性病的逐步治療模式，常使用序列模式挖掘和深度學(xué)習(xí)技術(shù)等方法來(lái)推斷藥物之間的時(shí)間關(guān)系，并生成規(guī)則來(lái)預(yù)測(cè)患者將會(huì)被處方的下一種藥物［11］。WRIGHT等［12］學(xué)者使用序列模式挖掘方法，應(yīng)用SPADE（Sequential Pattern Discovery Using Equivalence Classes）算法從藥物類(lèi)別和仿制藥水平挖掘2型糖尿病患者藥物處方的序列模式，該算法能夠挖掘符合指南推薦的藥物治療模式且無(wú)需患者的所有用藥史。在藥物類(lèi)別預(yù)測(cè)方面，SPADE能夠預(yù)測(cè)出90%的患者所用的藥物；在仿制藥預(yù)測(cè)方面，能夠預(yù)測(cè)出64.1%的患者所用的藥物。BEAM等［13］學(xué)者將機(jī)器學(xué)習(xí)和自然語(yǔ)言處理相結(jié)合，以提取患者的合并癥、用藥史及醫(yī)生的處方偏好。通過(guò)權(quán)衡患者和醫(yī)生因素，研究影響安眠藥處方模式的醫(yī)患因素，以更深入了解醫(yī)生的處方行為。YELIN等［14］學(xué)者使用梯度增強(qiáng)決策樹(shù)推導(dǎo)的一種算法對(duì)尿路感染患者的數(shù)據(jù)進(jìn)行分析發(fā)現(xiàn)，通過(guò)篩選抗生素耐藥性的特征，推薦最佳的經(jīng)驗(yàn)性治療藥物，通過(guò)該算法推薦的處方正確使用抗生素的概率比醫(yī)生高4%，降低了藥物錯(cuò)配風(fēng)險(xiǎn)。ROUGH等［15］學(xué)者根據(jù)住院患者的電子健康記錄中的結(jié)構(gòu)化信息，利用深度學(xué)習(xí)序列模型預(yù)測(cè)患者的特定用藥順序，該算法能夠挖掘出與指南一致的藥物治療模式，因此，在入院時(shí)可以作為早期預(yù)警工具預(yù)測(cè)出院用藥種類(lèi)，以便監(jiān)測(cè)即將處方的藥物，減少重復(fù)用藥或遺漏用藥等。此外，朱立強(qiáng)等［16］學(xué)者采用非線性邏輯回歸和支持向量機(jī)的方法建立了Ⅰ類(lèi)切口手術(shù)患者使用抗菌藥物合理性的評(píng)價(jià)模型，使抗菌藥物預(yù)防使用率下降了7.41%，藥物品種選用合理率提高了16.53%，使用療程縮短了1.75 d。

對(duì)于個(gè)體差異大、治療窗窄、毒性較強(qiáng)的藥物，對(duì)給藥劑量進(jìn)行正確預(yù)測(cè)可在一定程度上減少不良事件的發(fā)生。MA等［17］研究者使用堆棧泛化框架集成了支持向量機(jī)、隨機(jī)森林、近鄰算法和梯度提升樹(shù)4種算法，結(jié)合患者的臨床特征和遺傳數(shù)據(jù)預(yù)測(cè)華法林劑量，該算法適用于華法林低劑量維持治療的患者，相比于其他患者，其在實(shí)際穩(wěn)定治療劑量20%以?xún)?nèi)的患者中預(yù)測(cè)能力提高了12.7%。ROCHE-LIMA等［18］學(xué)者使用7種機(jī)器學(xué)習(xí)方法，通過(guò)回顧性分析心血管疾病患者的臨床特征和遺傳數(shù)據(jù)來(lái)預(yù)測(cè)華法林的使用劑量，該研究以平均絕對(duì)誤差和預(yù)測(cè)準(zhǔn)確率來(lái)評(píng)估模型性能，結(jié)果顯示，隨機(jī)森林回歸、多元自適應(yīng)回歸樣條（multivariate adaptive regression splines，MARS）和支持向量回歸的預(yù)測(cè)準(zhǔn)確性?xún)?yōu)于其他算法。TAO等［19］學(xué)者建立了一種集成學(xué)習(xí)模型，以類(lèi)似的衡量指標(biāo)評(píng)價(jià)了模型對(duì)中國(guó)人群華法林使用劑量的預(yù)測(cè)性能。SU等［20］學(xué)者回顧性分析了2個(gè)重癥監(jiān)護(hù)病房研究數(shù)據(jù)庫(kù)中的患者數(shù)據(jù)，使用隨機(jī)森林、支持向量機(jī)、自適應(yīng)增強(qiáng)算法、極限梯度增強(qiáng)和淺層神經(jīng)網(wǎng)絡(luò)5種機(jī)器學(xué)習(xí)方法，以部分凝血活酶時(shí)間作為預(yù)測(cè)因子來(lái)預(yù)測(cè)肝素的治療效果，結(jié)果顯示，淺層神經(jīng)網(wǎng)絡(luò)以最高的F1值作為預(yù)測(cè)肝素治療效果的最適模型，該模型可用于優(yōu)化患者的肝素劑量。此外，LEVY等［21］學(xué)者對(duì)接受抗心律失常藥物多非利特治療的患者的臨床數(shù)據(jù)進(jìn)行了分析，與多種監(jiān)督學(xué)習(xí)方法比較，一種深度強(qiáng)化學(xué)習(xí)算法—Q學(xué)習(xí)算法以96.1%的準(zhǔn)確度更好地預(yù)測(cè)了多非利特的使用劑量。

2.2 藥物不良反應(yīng)預(yù)測(cè) 藥物不良反應(yīng)不僅是藥物開(kāi)發(fā)失敗和藥物上市后撤市的主要原因，也是藥物治療失敗和治療被迫中止的原因。隨著藥物不良反應(yīng)數(shù)據(jù)庫(kù)的出現(xiàn)，有監(jiān)督的機(jī)器學(xué)習(xí)算法已被廣泛用于藥物信息提取和藥物不良反應(yīng)的關(guān)系預(yù)測(cè)［22-23］。該類(lèi)研究主要基于藥物生物學(xué)特征、化學(xué)特征和表型特征等建立預(yù)測(cè)模型對(duì)藥物不良反應(yīng)進(jìn)行預(yù)測(cè)［24］。

藥物性肝損傷（drug induced liver injury，DILI）是最常見(jiàn)的不良反應(yīng)之一，大量的基因表達(dá)數(shù)據(jù)為早期識(shí)別和準(zhǔn)確預(yù)測(cè)DILI提供了有價(jià)值的信息。HAMMANN等［25］學(xué)者基于藥物化學(xué)結(jié)構(gòu)，構(gòu)建了決策樹(shù)、K-鄰近算法、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)4種機(jī)器學(xué)習(xí)模型以預(yù)測(cè)DILI，其中決策樹(shù)模型實(shí)現(xiàn)了89%的正確分類(lèi)率。FENG等［26］學(xué)者基于Array Express數(shù)據(jù)庫(kù)中的基因表達(dá)數(shù)據(jù)建立了深度學(xué)習(xí)模型來(lái)預(yù)測(cè)DILI，該模型在準(zhǔn)確率、精確度和相關(guān)系數(shù)等方面均明顯優(yōu)于支持向量機(jī)模型，并通過(guò)外部數(shù)據(jù)集和動(dòng)物實(shí)驗(yàn)對(duì)模型性能進(jìn)行了驗(yàn)證。LAI等［27］研究者將結(jié)核患者的臨床特征和基因組數(shù)據(jù)相結(jié)合，建立并比較了人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林3種模型對(duì)抗結(jié)核藥物肝毒性的預(yù)測(cè)性能，其中人工神經(jīng)網(wǎng)絡(luò)表現(xiàn)最佳。DAVAZDAHEMAMI等［28］學(xué)者將時(shí)序藥物警戒網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)技術(shù)相結(jié)合，預(yù)測(cè)8種常見(jiàn)高風(fēng)險(xiǎn)藥物的藥物不良反應(yīng)，結(jié)果顯示，梯度增強(qiáng)樹(shù)識(shí)別藥物不良反應(yīng)的準(zhǔn)確率高達(dá)92.8%。

2.3 藥物療效預(yù)測(cè) 在藥物療效預(yù)測(cè)時(shí)，常將患者臨床癥狀和體征的改善，以及實(shí)驗(yàn)室檢查指標(biāo)的變化作為待預(yù)測(cè)結(jié)果，以評(píng)估藥物療效。此外，還可應(yīng)用機(jī)器學(xué)習(xí)方法挖掘現(xiàn)有臨床試驗(yàn)數(shù)據(jù)或電子病歷系統(tǒng)中的數(shù)據(jù)來(lái)建立預(yù)測(cè)模型，對(duì)特定患者的特定藥物療效進(jìn)行回顧性分析和前瞻性識(shí)別，從而對(duì)藥物療效進(jìn)行精準(zhǔn)評(píng)價(jià)。

CHEKROUD等［29］研究者篩選了抑郁癥患者的25個(gè)臨床特征并建立了梯度提升機(jī)模型，以評(píng)估患者使用西酞普蘭治療12周后癥狀是否緩解，該模型的預(yù)測(cè)準(zhǔn)確率為64.6%。若將抗抑郁治療反應(yīng)的生物標(biāo)志物作為預(yù)測(cè)變量，可能會(huì)獲得更高的預(yù)測(cè)準(zhǔn)確性。ATHREYA等［30］學(xué)者論證了將機(jī)器學(xué)習(xí)與藥物基因組生物標(biāo)志物相結(jié)合的可行性，以實(shí)現(xiàn)對(duì)兩種新型抗抑郁藥西酞普蘭和依他普倫8周治療效果的預(yù)測(cè)。SAKELLAROPOULOS等［31］學(xué)者將基因表達(dá)數(shù)據(jù)與藥物反應(yīng)相結(jié)合，構(gòu)建了深度神經(jīng)網(wǎng)絡(luò)模型以預(yù)測(cè)癌癥患者的藥物治療反應(yīng)，并在多個(gè)臨床隊(duì)列上進(jìn)行了外部驗(yàn)證，結(jié)果表明，深度神經(jīng)網(wǎng)絡(luò)在藥物治療反應(yīng)預(yù)測(cè)方面優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)算法。JIANG等［32］學(xué)者建立了支持向量機(jī)模型，用于識(shí)別對(duì)5-氟尿嘧啶/奧沙利鉑高度敏感的胃癌患者，該模型可將Ⅱ期和Ⅲ期胃癌患者進(jìn)行準(zhǔn)確分類(lèi)，使用該模型預(yù)測(cè)的不同類(lèi)別患者的5年無(wú)進(jìn)展生存期和總生存期存在顯著的統(tǒng)計(jì)學(xué)差異。

2.4 藥物耐藥預(yù)測(cè) 隨著高通量測(cè)序技術(shù)的發(fā)展，藥物基因組學(xué)相關(guān)數(shù)據(jù)庫(kù)的建立和完善，以及電子病歷系統(tǒng)中大規(guī)模數(shù)據(jù)集的累積，機(jī)器學(xué)習(xí)現(xiàn)已被廣泛應(yīng)用于抗菌藥物和化療藥物等敏感性相關(guān)的基因型/表型預(yù)測(cè)、臨床決策的制定和藥物治療方案的優(yōu)化等方面［33］。

DAVIS等［34］學(xué)者建立了Ada Boost機(jī)器學(xué)習(xí)模型，用于識(shí)別鮑曼不動(dòng)桿菌對(duì)碳青霉烯類(lèi)抗生素、金黃色葡萄球菌對(duì)甲氧西林以及肺炎鏈球菌對(duì)β-內(nèi)酰胺類(lèi)抗生素和復(fù)方新諾明的耐藥性，實(shí)現(xiàn)了88%到99%的準(zhǔn)確率。另外，該研究還將結(jié)核分枝桿菌對(duì)異煙肼、卡那霉素、氧氟沙星、利福平和鏈霉素的耐藥性進(jìn)行了預(yù)測(cè)，實(shí)現(xiàn)了71%到88%的準(zhǔn)確率。CHOWDHURY等［35］學(xué)者提出了堆疊的集成模型，以邏輯回歸、決策樹(shù)和支持向量機(jī)作為基線模型，基于蛋白質(zhì)序列的相似性來(lái)預(yù)測(cè)結(jié)核分枝桿菌對(duì)卷曲霉素的耐藥性；與最佳的基線模型支持向量機(jī)相比，集成模型預(yù)測(cè)準(zhǔn)確性提高了2.43%。MANCINI等［36］學(xué)者建立了Cat Boost、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)3種機(jī)器學(xué)習(xí)模型，并集成了一個(gè)云平臺(tái)來(lái)預(yù)測(cè)患者住院后發(fā)生多藥耐藥性尿路感染的風(fēng)險(xiǎn)。AN等［37］學(xué)者通過(guò)對(duì)58萬(wàn)余例癲癇患者的索賠數(shù)據(jù)進(jìn)行分析，以預(yù)測(cè)患者在首次開(kāi)具某種抗癲癇藥物時(shí)耐藥的風(fēng)險(xiǎn)，其訓(xùn)練的隨機(jī)森林算法表現(xiàn)最佳。DORMAN等［38］學(xué)者研究了紫杉醇和吉西他濱的生長(zhǎng)抑制濃度與基因表達(dá)之間的相關(guān)性，該研究使用多因素主成分分析篩選出“強(qiáng)關(guān)聯(lián)”的基因，使用支持向量機(jī)來(lái)預(yù)測(cè)藥物的敏感性，對(duì)紫杉醇和吉西他濱敏感性的預(yù)測(cè)準(zhǔn)確率分別為70.2%和57.0%。

2.5 藥物相互作用預(yù)測(cè) 在聯(lián)合用藥情況下，藥物相互作用通常是導(dǎo)致藥物不良反應(yīng)發(fā)生和醫(yī)療成本增加的常見(jiàn)原因。因此，識(shí)別藥物相互作用是減少藥物不良事件和提高患者用藥安全性的關(guān)鍵。雖然已有文獻(xiàn)研究成果和可獲取的藥物相互作用數(shù)據(jù)庫(kù)可為機(jī)器學(xué)習(xí)的應(yīng)用提供基礎(chǔ)，但對(duì)醫(yī)療數(shù)據(jù)中的藥物相互作用研究仍較為缺乏。

CHENG等［39］學(xué)者通過(guò)整合藥物相互作用數(shù)據(jù)庫(kù)中的藥物表型、治療、化學(xué)和基因組學(xué)相似性，提出了一種異構(gòu)網(wǎng)絡(luò)輔助推理（Heterogeneous Network-assisted Inference，HNAI）框架，在該框架中應(yīng)用了樸素貝葉斯、決策樹(shù)、K-鄰近算法、邏輯回歸和支持向量機(jī)5種機(jī)器學(xué)習(xí)模型來(lái)預(yù)測(cè)藥物相互作用，其中HNAI模型ROC曲線下面積為0.67。KASTRIN等［40］學(xué)者基于Drug Bank、KEGG和Two sides等5個(gè)藥物相互作用數(shù)據(jù)庫(kù)中藥物間的拓?fù)浜驼Z(yǔ)義相似性特征，比較了分類(lèi)樹(shù)、K-鄰近算法、支持向量機(jī)、隨機(jī)森林和梯度提升機(jī)模型的預(yù)測(cè)效果，結(jié)果顯示，隨機(jī)森林和梯度提升機(jī)對(duì)Two sides網(wǎng)絡(luò)的預(yù)測(cè)性能最佳。RYU等［41］學(xué)者建立了深度學(xué)習(xí)模型，通過(guò)輸入藥物-藥物對(duì)或藥物-食物對(duì)的名稱(chēng)及其結(jié)構(gòu)信息，生成了86種藥物相互作用，并對(duì)模型進(jìn)行了外部驗(yàn)證，預(yù)測(cè)準(zhǔn)確率平均為92.4%。

2.6 藥物依從性預(yù)測(cè) 患者藥物依從性差是普遍存在的問(wèn)題。良好的用藥依從性對(duì)于疾病的治療和管理至關(guān)重要。有研究者嘗試使用機(jī)器學(xué)習(xí)算法來(lái)識(shí)別藥物依從性差的患者，從而有針對(duì)性地制訂提高藥物依從性的策略。

TUCKER等［42］學(xué)者采用決策樹(shù)、K-鄰近算法、樸素貝葉斯、支持向量機(jī)和隨機(jī)森林模型，根據(jù)帕金森病患者使用非穿戴式多模式傳感器接收的步態(tài)特征來(lái)建立預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)患者用藥依從性的遠(yuǎn)程監(jiān)控。MOHEBBI等［43］學(xué)者基于連續(xù)葡萄糖監(jiān)測(cè)信號(hào)，建立多層感知器和卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)2型糖尿病患者使用胰島素的依從性進(jìn)行預(yù)測(cè)，結(jié)果顯示卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能最佳。LI等［44］學(xué)者使用機(jī)器學(xué)習(xí)方法識(shí)別使用降壓藥不依從的亞組人群，以制定針對(duì)目標(biāo)人群的干預(yù)措施。WU等［45］學(xué)者采用30種機(jī)器學(xué)習(xí)方法建立了300個(gè)模型來(lái)預(yù)測(cè)2型糖尿病患者的用藥依從性，以用藥擁有率對(duì)患者的用藥依從性進(jìn)評(píng)價(jià)，結(jié)果顯示，集成算法預(yù)測(cè)性能最佳。

3 小結(jié)

隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，機(jī)器學(xué)習(xí)在輔助臨床藥物治療決策方面展現(xiàn)出了巨大的潛力。此類(lèi)方法為醫(yī)生和臨床藥師制訂藥物治療策略、應(yīng)對(duì)藥物不良反應(yīng)、監(jiān)測(cè)藥物治療效果和優(yōu)化藥物治療方案等提供了理想的工具。目前，機(jī)器學(xué)習(xí)在臨床藥物治療方面的研究主要基于醫(yī)院電子病歷系統(tǒng)、基因組學(xué)數(shù)據(jù)庫(kù)、藥物相互作用數(shù)據(jù)庫(kù)和藥物不良反應(yīng)數(shù)據(jù)庫(kù)等，采用機(jī)器學(xué)習(xí)的方法，尤其是深度學(xué)習(xí)算法，建立臨床預(yù)測(cè)模型以實(shí)現(xiàn)對(duì)目標(biāo)人群或目標(biāo)藥物的預(yù)測(cè)。但由于目前我國(guó)醫(yī)院電子病歷系統(tǒng)等數(shù)據(jù)庫(kù)缺乏規(guī)范系統(tǒng)的患者信息錄入流程、有效的數(shù)據(jù)質(zhì)控過(guò)程和數(shù)據(jù)孤島等缺陷，總體數(shù)據(jù)利用率有待提升。

此外，醫(yī)學(xué)機(jī)器學(xué)習(xí)是一項(xiàng)交叉學(xué)科，研究者常需掌握計(jì)算機(jī)、線性代數(shù)、概率論與數(shù)理統(tǒng)計(jì)等專(zhuān)業(yè)知識(shí)。因此，機(jī)器學(xué)習(xí)在醫(yī)療領(lǐng)域的廣泛應(yīng)用尚存在巨大的學(xué)科壁壘，常出現(xiàn)“醫(yī)療工作者不懂機(jī)器學(xué)習(xí)，計(jì)算機(jī)工程師不懂醫(yī)學(xué)”的現(xiàn)象。開(kāi)發(fā)醫(yī)療工作者簡(jiǎn)便易用的機(jī)器學(xué)習(xí)建模工具可能是緩解該問(wèn)題的有效措施。

未來(lái)，隨著高質(zhì)量數(shù)據(jù)庫(kù)的建立和新算法的開(kāi)發(fā)，通過(guò)臨床科研人員與計(jì)算機(jī)研究人員的有機(jī)協(xié)作，機(jī)器學(xué)習(xí)有望更多地應(yīng)用于臨床藥物治療的研究中。借助于優(yōu)秀的機(jī)器學(xué)習(xí)算法和工具，可有效提高臨床預(yù)測(cè)模型在臨床實(shí)踐中的實(shí)用性，提高診療效率，實(shí)現(xiàn)個(gè)體化治療決策的智能化。

作者貢獻(xiàn)：吳行偉負(fù)責(zé)文章的構(gòu)思與設(shè)計(jì)，進(jìn)行論文、英文的修訂；劉馨宇負(fù)責(zé)文獻(xiàn)/資料收集、整理，撰寫(xiě)論文；龍恩武負(fù)責(zé)文章質(zhì)量的控制及審校；童榮生對(duì)文章整體負(fù)責(zé)，監(jiān)督管理。

本文無(wú)利益沖突。

本文文獻(xiàn)檢索策略：

英文檢索詞：machine learning、supervised learning、unsupervised learning、semi-supervised learning、deep learning、drug、medicine、prescription、dosage、dose、ADR、adverse reaction、therapeutic effect/response、treatment effect/response、drug resistance、DDI、drug interaction、drug-drug interaction、compliance、predicting、predict、prediction，結(jié)合運(yùn)算符（AND、OR和NOT）檢索PubMed數(shù)據(jù)庫(kù)，共檢索3 352篇文獻(xiàn)；中文檢索詞：機(jī)器學(xué)習(xí)、監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、深度學(xué)習(xí)、藥物、藥物處方、藥物劑量、藥物不良反應(yīng)、藥物療效、耐藥性、藥物相互作用、用藥依從性、預(yù)測(cè)，結(jié)合運(yùn)算符（AND、OR和NOT）檢索中國(guó)知網(wǎng)、萬(wàn)方數(shù)據(jù)知識(shí)服務(wù)平臺(tái)和維普網(wǎng)，共檢索104篇文獻(xiàn)。檢索時(shí)間為2010—2020年。