大多数疾病都需要同时使用几种药物来治疗，比如类风湿关节炎（RA），其标准治疗方案就是：联合应用多种改善病情抗风湿药物（DMARDs）进行治疗。然而，这无可避免地带来了不良事件（AEs）的发生。难点在于，一旦出现了AEs，该先撤哪种药才能最大程度地降低风险，如果AEs仍未消失，接下来又该撤哪种药？对此，医生们往往凭经验做出判断。

北京协和医院赵岩教授带领的课题组最近进行了一种全新的尝试，试图找到撤药顺序的科学解决方案。他们对智能疾病管理系统（SSDM）数据库进行了数据挖掘和机器学习，由此找到了一种算法，能够在联合用药出现AEs时给出撤药建议。该研究成果在10月下旬美国芝加哥召开的全球风湿医生盛会-美国风湿病学会（ACR）年会上受邀作为口头发言和壁报展示，吸引了各国风湿专家的目光。

SSDM是一款装在手机里的应用软件，支持疾病管理和医患互动。RA患者通过SSDM APP不仅能建立自己的电子病历，详细记录用药和实验室检查结果，还能凭借SSDM提供的工具开展疾病自我评估，而不用再只凭感觉判断自己病情的变化，一切都以客观记录的数据说话。这些数据通过云端同步到已被授权的医生的手机上，将患者及其自己授权的医生跨时空连接在了一起，医生以患者的数据为依据，给出合理建议。从2014年6月~2018年10月，中国近600家医院的10万风湿病患者在SSDM平台上注册，其中RA患者有近4万人——男性1.1万余人、女性2.8万人，平均年龄49.8岁。他们使用的治疗药物有129种，而药物组合达479种，再加上单药治疗，共有608种用药方式。

在赵岩教授等开展的这项研究中，以白细胞（WBC）计数异常以及谷丙转氨酶（ALT）升高这两类AEs为例，探索了撤药算法的建立。正常人的WBC数量范围是4000～10000/μL，当WBC低于4000/μL时，属于白细胞减少（LP），提示骨髓抑制；当WBC超过10000/μL时，提示感染的可能（IP）。血液ALT的正常值是0~40U/L，超出40U/L为ALT升高，提示肝组织损伤。

在SSDM平台记载的用药方案中，实验室检查结果显示有311种方案有白细胞减少（LP）风险、217种有IP风险、316种有ALT升高风险。课题组提取了其中泼尼松（Pred）、来氟米特（LEF）、甲氨蝶呤（MTX）和羟氯喹（HCQ）这4种药物构成的15种用药方案的相关数据，涉及1.9万RA患者，采用机器学习的核心方法-贝叶斯网络建立模型/算法。

由此得出了不同AE时的撤药顺序，并精确算出了AE降低的概率：

当Pred、LEF、MTX、HCQ联合用药出现LP时：

先撤HCQ，能将LP风险降低39%；

再撤LEF，LP风险降低33%；

后撤Pred，LP风险降低23%。

当4药联合出现IP时：

先撤Pred，IP风险降低47%；

再撤MTX，IP风险降低51%；

后撤HCQ，风险降低15%。

4药联用出现ALT升高时：

先撤MTX，风险降低51%；

再撤Pred，降低28%；

后撤HCQ，降低16%。

当几种药物联合使用，出现不良事件时，医生不必再仅凭经验做出判断，机器学习作为辅助工具，能够将这个过程数字化、模型化，而且这一套模型已经内置到了SSDM系统中，计算结果一点即知。

通过赋能患者，让患者自己录入自己的数据，医生从简单重复录入工作中被解放了出来，并得以及时获知病人情况，建立起了云端的风湿病数据库。通过数据挖掘、建模、贝叶斯算法，能够得出处理AEs问题的最佳方案推荐。不止风湿病，其他疾病也可以“复制”这样的模式；不止AEs问题，其他问题也可以借鉴这样的解决方案。

大数据和机器学习，让医疗搭载了人工智能的“加速器”，迈向更安全、更高效、更科学、更经济。（编译：白蕊）