亚马逊发表Nature Medicine论文，用大语言模型减少线上药店用药错误

用药差错是医疗差错的一个主要类别，其定义为可发生在用药过程的任何阶段的可预防的错误，包括开药、配药和给药。例如在美国，这些错误每年导致至少150万起可预防的药物不良事件，并造成每年近35亿美元的成本。而最近的研究表明，这些数字实际上可能要高得多。虽然不是每一个用药错误都会造成伤害，但约有1%会导致不良健康后果。

用药差错的主要类型之一是由各种因素引起的不正确的处方说明，包括人为错误（例如印刷错误、卫生保健提供者之间的沟通错误、含糊或不完整的数据输入以及药物管理的复杂性），无论是在线药店还是实体零售药店，发生这些错误的一个常见时间点是当从医疗保健提供者收到的处方被输入到药店的计算机系统时，例如，将类风湿常用药甲氨蝶呤口服胶囊的“每周口服一次，每次20 mg”错误输入为“每天口服一次，每次20 mg”，这可能会导致全血细胞减少甚至死亡等严重不良反应。

电子健康记录（EHR）的引入增加了用药指导准确性的复杂性。EHR在结构化数据输入的同时，也允许处方的自由文本，从而导致不一致和可能的错误。不同组织和国家使用的不同的、非标准化的记录写作规范，进一步加剧了这一挑战。这些问题在实体药店和网线上药店中都普遍存在，凸显了迫切需要创新的解决方案来提高药物说明的准确性，进而提升患者安全的必要性。

2024年4月25日，亚马逊的研究人员国际顶尖医学期刊 Nature Medicine 上发表了题为：Large language models for preventing medication direction errors in online pharmacies 的研究论文。

该研究开发了一种基于大语言模型的（LLM）的智能药物指导助手（medication direction copilot，MEDIC），能够显著降低线上药店的用药差错。这些结果表明，具有领域专业知识和保障措施的大型语言模型（LLM）可以提高药店运营的准确性和效率。

在这项研究中，研究团队探索了人机交互人工智能解决方案的实施，旨在提升标准药房工作流程，特别是数据输入（data entry，DE）和药剂师审核的关键阶段（图1a）。DE是一个劳动密集型阶段，需要药剂师助理将医生的指示和额外的处方细节转换为标准化格式，以便药剂师进行高效的审核，确保患者理解和安全。图1b展示了这些转换后的指示示例。在药剂师审核阶段，药剂师会仔细审核DE阶段处理的所有信息，以确保准确性和患者用药的潜在相互作用。这一阶段偶尔会发现“接近错误”（near miss），即在错误到达患者之前被发现并重新定向以进行纠正的事件，从而防止原本可能导致的伤害、疾病或者意外事件，并未在患者身上真正发生的用药差错。

在药房运营中，接近错误率是衡量患者安全的关键指标。随着越来越多的倡导使用临床决策支持系统来提高患者安全，该研究旨在开发一种人工智能解决方案，将药学领域知识与能够进行复杂文本解释和生成的大型语言模型（LLM）相结合，提高处理药物指示的准确性和质量，从而减少接近错误（near miss）事件。

该研究推出了药物指导助手（medication direction copilot，MEDIC），它通过优先考虑精确传达处方核心临床要素（例如用药剂量和频率）的方式来模拟药剂师的推理过程。它使用来自亚马逊药房（Amazon Pharmacy）的1000条由专家注释和扩展的指示来微调第一代大型语言模型（LLM），以提取核心要素，并使用药房逻辑和安全防护栏将这些要素组合成完整的指示。

MEDIC工作流程概述

研究团队将MEDIC与两个基于LLM的基准进行了比较：一个使用了150万条药物指示（T5-FineTuned），另一个使用了当前最先进的LLM（Claude）。在对1200份经过专家审核的处方进行分析后，这两个LLM分别记录了比MEDIC多1.51倍和4.38倍的接近错误（near miss）事件。

MEDIC与T5-FineTuned和Claude的比较

此外，研究团队还将MEDIC系统部署到一家线上药店的生产系统中进行测试，在此期间，MEDIC系统将接近错误事件减少了33%。这些结果表明，具有领域专业知识和保障措施的大型语言模型（LLM）可以提高药店运营的准确性和效率。

总的来说，这项研究强调了将大语言模型（LLM）与领域专业知识相结合的重要性，以应对医药运营中复杂的高风险挑战。鉴于每天收到的处方数量庞大，且经常存在不准确的情况，因此像MEDIC这样的数据驱动支持系统变得不可或缺。它提高了运营效率，降低了错误风险，使药剂师和技术人员能够专注于确保患者安全和福祉的主要目标。