根据3月25日发表在《JAMA Internal Medicine》上的研究，由Google的科学家开发的机器学习模型在早期测试中成功记录并绘制了医患对话中的疾病症状，但该技术还有很长的路要走。
Google资深研究科学家，加州大学助理教授Alvin Rajkomar医学博士是第一作者，医学博士Alvin Rajkomar博士说：“通过在患者访视期间通过语音识别使医疗记录的文书工作自动化，可以使医生直接花更多的时间与患者在一起。 ，旧金山等。在日记中写道。“我们考虑了使用机器学习自动填充系统(ROS)中遇到的所有症状的评论的可行性。”
团队先前开发的递归神经网络是提供更多动手护理并关注患者的又一机会，能够区分与患者病情相关的相关症状和无关症状。研究人员从90,000个先前手动转录的相遇池中随机选择了2,547个医学相遇记录本，其中2,091个用于训练模型，其中456个用于测试模型。其余的成绩单用于无监督的培训。
抄写员用185种症状标记了2500多个转录本，并为每种症状指定了与ROS的相关性，因为它与患者的经历有关。机器学习模型的输入是一个包含五个会话轮次或摘要的滑动窗口，输出分别提到了每种症状，与患者的相关性以及患者是否经历过该症状。
在2091个测试集中，研究小组报告了5970个症状提及，其中79.3%与ROS有关，其中74.2%是患者经历的。在整个测试集中，模型的灵敏度为67.7%，阳性症状的阳性预测值为80.6%。
作者进一步说，该模型对不清楚症状的敏感性为67.8%，对于明确提及症状的敏感性为92.2%。如果两个随机选择的抄写员都独立地将ROS中包括任何给定症状的可能性评估为“极有可能”，则认为该症状被“明确提及”。
Rajkomar及其同事写道：“该模型将准确记录-意味着正确识别症状，正确分类与笔记的相关性以及是否分配经验丰富的人-明确提到的症状占87.9%，不清楚的症状占60%，” “通过经历使这种技术适应简单的ROS自动绘制任务的过程，我们报告了以前未曾考虑过的关键挑战：模糊地提到了很大一部分症状，因此，甚至人类抄写员也不同意如何记录它们。”
作者说，该模型在明显提及的症状上表现良好，这令人鼓舞，但远非完美。
他们写道：“解决这个问题将需要精确的沟通，尽管不是繁琐的术语。” “将需要进一步的研究来帮助临床医生完成更有意义的任务，例如记录当前的病史。”