使用电子健康记录基础模型预测与抗生素相关的皮肤不良药物反应

为何预测药物皮疹很重要

任何在服药后长出皮疹的人都知道这种情况会令人恐慌。大多数情况下，这些皮肤反应较轻并能自行消退。但在极少数情况下，皮疹会演变为危及生命的病症，波及大面积皮肤并需要重症监护。抗生素是最常与这些反应相关的药物之一，然而医生目前无法可靠地预先判断哪些患者风险更高。本研究探讨了常规医院记录中隐藏的模式能否帮助在皮肤反应发生前预测出哪些人更可能出现与抗生素相关的皮肤反应。

药物引起的皮肤反应

皮肤问题是药物最常见的可见副作用，范围从发痒的红斑到危险的疾病，如史蒂文斯—约翰逊综合征和中毒性表皮坏死松解症，这些疾病可致命。抗生素，尤其是广泛使用的青霉素类及相关药物，常常是诱因。尽管严重反应罕见，但任何严重的药物反应都可能延长住院时间、增加费用，并在最坏情况下导致死亡。尽管负担沉重，目前尚无可供医院对所有患者普遍实施、用于预测尤其与抗生素相关的皮肤不良药物反应的标准筛查检测。

将医院记录转化为线索

现代医院在电子健康记录中保存大量信息：诊断、血液检查结果、处方药物和操作记录，往往横跨多年。在本研究中，研究人员将这些长期的医疗代码序列视为文档中的文本行。他们使用了借自语言技术的“基础模型”——这些系统从大规模数据集中学习一般模式，然后可以为特定任务进行微调。团队分析了来自三家大型韩国医院的超过80万名住院成年患者的记录，这些患者至少住院三天并接受了抗生素治疗。为可靠检测皮肤反应，他们不仅依赖诊断代码，还挖掘了护理记录和结构化的护理陈述，这些记录记载了如皮疹或荨麻疹等观察结果。

构建与测试预测模型

研究人员比较了多种方法，从经典的机器学习方法如随机森林，到深度学习网络，以及三种不同的健康记录基础模型。对于每位患者，模型在最近一次抗生素处方时刻被要求判断短期内是否会发生皮肤反应。在所有方法中，一个名为 CDM-BERT 的模型表现最佳，该模型专门适配了医院常用的数据格式。它在训练所在医院能够非常准确地区分未来会发疹的病例与非病例，并在未经额外调整的情况下，对两家数据格式略有不同的其他医院仍保持较强表现。

模型学到的风险信息

为检验模型是否关注医学上有意义的信息而非随机噪声，团队检查了记录中哪些部分对其决策影响最大。模型对已知与药物反应相关的疾病赋予了较高重要性，例如癌症、慢性肾病和慢性肝病，以及某些药物类别，包括抗生素和抗惊厥药。有趣的是，在一家药物编码与训练医院不一致的医院，模型仍通过更多依赖化验结果和疾病历史而表现良好，表明它能够适应不同的数据环境。研究人员还将反应分为“即刻型”（用药后很快出现）和“延迟型”（较长暴露后出现）。模型在预测延迟型反应时更有信心且更稳定，而这些反应目前用传统检测方法最难预测。

局限性、挑战与下一步

尽管模型表现令人鼓舞，但它尚不能识别确切的致病抗生素，也无法将轻度皮疹与需要紧急专科处理的罕见但毁灭性严重皮肤反应区分开来。该研究还仅涉及单一国家的医院，存在药物编码系统差异和需对自由文本护理报告使用基于规则的检索等技术问题。此外，将模型内部的“注意力”模式转化为简单临床规则仍然困难，且该方法主要关注相对轻微的皮肤问题，而非严重反应的全谱。

对患者和临床医师的意义

这项工作表明，通过将常规医院数据与护理观察记录谨慎结合，先进的计算模型可以估计患者发生与抗生素相关皮肤反应的风险，特别是那些缺乏可靠实验室检测的较慢起病的反应。在实践中，这样的工具可以帮助医生标记高风险患者以便更密切监测、选择替代药物或更谨慎地给药，同时让大多数患者继续接受标准护理。该研究向将日常医疗实践产生的“数字排放”转化为在皮肤出现反应前捕捉严重药物反应的安全网迈出了一步，可能在伤害显现之前防止其发生。

引用: Kim, J., Kim, K., Yun, JE. et al. Prediction of antibiotic-associated cutaneous adverse drug reactions using electronic health record foundation models. npj Digit. Med. 9, 311 (2026). https://doi.org/10.1038/s41746-026-02503-x

关键词: 抗生素副作用, 药物诱发皮疹, 电子健康记录, 医疗人工智能预测, 药物不良反应