本文来源：吴行伟，刘馨宇，龙恩武，等.机器学习在临床药物治疗中的研究进展［J］.中国全科医学，2021.DOI：10.12114/j.issn.1007-9572.2021.01.309 
通信作者：童荣生，教授，主任药师；四川省成都市，电子科技大学医学院，个体化药物治疗，四川省重点实验室；四川省医学科学院·四川省人民医院药学部
随着临床信息系统的建立和完善，医疗数据的可用性不断提高。然而影响药物治疗结果的因素繁杂，因此对药物治疗过程中产生的真实世界数据进行分析时，面临高维度、大样本、共线性等复杂问题。
机器学习作为人工智能的核心技术，其由于在处理高维度、大数据等方面的独特优势，越来越多地被应用于分析药物治疗过程中患者复杂的临床特征和用药情况。故本文对机器学习在临床药物治疗中的进展和成果予以综述，为临床及药学同行开展基于机器学习的预测模型研究提供方法和模式的参考。
机器学习概述
机器学习（ML）可被理解为基于真实世界数据或以往的经验开发数据驱动的算法，以学习和模仿人类的行为。根据学习方式的不同，机器学习分为有监督学习、无监督学习和强化学习等。作为机器学习的分支之一，近年来深度学习在医学领域的应用取得了巨大成功。其通过在输入层与输出层之间使用隐藏层来对数据的中间表征进行建模，用于有监督或无监督的特征学习、表示、分类和模式识别等。
机器学习在临床药物治疗中的应用
1 药物类别预测：SPADE算法能够预测出90%患者所用的药物；在仿制药预测方面，能够预测出64.1%的患者所用的药物。YELIN等学者使用梯度增强决策树推导的一种算法对尿路感染患者的数据进行分析发现，通过筛选抗生素耐药性的特征，推荐最佳的经验性治疗药物，通过该算法推荐的处方正确使用抗生素的概率比医生高4%，降低了药物错配风险。
2 药物不良反应预测：随着药物不良反应数据库的出现，有监督的机器学习算法已被广泛用于药物信息提取和药物不良反应的关系预测。该类研究主要基于药物生物学特征、化学特征和表型特征等，建立预测模型对药物不良反应进行预测。
3 药物疗效预测：在药物疗效预测时，常将患者临床症状和体征的改善，以及实验室检查指标的变化作为待预测结果，以评估药物疗效。此外，还可应用机器学习方法挖掘现有临床试验数据或电子病历系统中的数据来建立预测模型，对特定患者的特定药物疗效进行回顾性分析和前瞻性识别，从而对药物疗效进行精准评价。
4 药物耐药预测：随着高通量测序技术的发展，药物基因组学相关数据库的建立和完善，以及电子病历系统中大规模数据集的累积，机器学习现已被广泛应用于抗菌药物和化疗药物等敏感性相关的基因型/表型预测、临床决策的制定和药物治疗方案的优化等方面。
5 药物相互作用预测：在联合用药情况下，药物相互作用通常是导致药物不良反应发生和和医疗成本增加的常见原因。因此，识别药物相互作用是减少药物不良事件和提高患者用药安全性的关键。虽然已有文献研究成果和可获取的药物相互作用数据库可为机器学习的应用提供基础，但对医疗数据中的药物相互作用研究仍较为缺乏。
6 药物依从性预测：患者药物依从性差是普遍存在的问题。良好的用药依从性对于疾病的治疗和管理至关重要。有研究者尝试使用机器学习算法来识别药物依从性差的患者，从而有针对性地制定提高药物依从性的策略。
小结
未来，随着高质量数据库的建立和新算法的开发，通过临床科研人员与计算机研究人员的有机协作，机器学习有望更多地应用于临床药物治疗的研究中。借助于优秀的机器学习算法和工具，可有效提高临床预测模型在临床实践中的实用性，提高诊疗效率，实现个体化治疗决策的智能化。
