吴行伟 ，刘馨宇 ，龙恩武 ，童荣生 *

    近年来，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，且各因素之间可能存在交互作用。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。这些问题使得临床药师在复杂的临床状态下，难以对药物作用的效果和风险进行有效的早期识别和预测，从而影响药物治疗结果，导致疾病进程加快、负担加重、患病率和死亡率上升、住院时间延长[1-4]等问题出现。

    机器学习作为人工智能的核心技术，由于其在处理高维度、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。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，内容包括药物处方和用药剂量、药物不良反应、药物疗效、耐药性、药物相互作用和用药依从性等，为临床医生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。

    1 机器学习概述

    机器学习由计算机科学家Arthur Samuel于1959年提出，其被描述为“计算机在没有编程的情况下的学习能力”[5]，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[6]。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。监督学习即输入大量带有标签的样本数据以建立一个模型并得到相应输出值，主要被用来处理分类和回归任务，常见的算法有逻辑回归、支持向量机和K—邻近算法等[7]。无监督学习即通过输入无标签的数据来学习数据的内在结构和关联，其更多地被用来处理聚类和降维问题，常见算法包括K—均值聚类和期望最大化聚类等[8]。强化学习即根据状态和动作计算获益，将获益反馈到模型并对模型作出调整以获得最大的奖励信号，常见算法包括Q学习以及时间差学习等[9]。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，常见算法有深度神经网络、循环神经网络和卷积神经网络等[10]。

    2 机器学习在临床药物治疗中的应用

    2.1 药物处方和用药剂量预测 在药物处方预测方面，尤其针对慢性病的逐步治疗模式，常使用序列模式挖掘和深度学习技术等方法来推断药物之间的时间关系，并生成规则来预测患者将会被处方的下一种药物[11]。WRIGHT等[12]学者使用序列模式挖掘方法，应用SPADE(Sequential Pattern Discovery Using Equivalence Classes)算法从药物类别和仿制药水平挖掘2型糖尿病患者药物处方的序列模式 ......