Overview of CHIP 2025 Shared Task 2: Discharge Medication Recommendation for Metabolic Diseases Based on Chinese Electronic Health Records

想象一下，如果你的身体是一座复杂的城市，而像糖尿病或高血压这样的慢性病就像是永远无法疏通的持久交通拥堵。为了让这座城市正常运转，医生扮演着交通管制员的角色，开出特定的“车辆”（药物）来保持交通流动。但棘手之处在于：每座城市都是不同的，每个驾驶员也有独特的习惯。弄清楚患者出院后究竟需要带走哪些“车辆”，是一个巨大的谜题。如果选错了车辆，交通拥堵就会卷土重来，患者可能会再次住院。这就是“药物推荐”的核心领域——在这个领域中，科学家们试图利用计算机来帮助医生做出这些挽救生命的决策。

长期以来，计算机在阅读医学笔记方面一直在变得更加出色，但它们主要学习的是英语语言的故事。这篇论文深入探讨了一个全新的、令人兴奋的科学领域：教计算机阅读中文住院记录，以解决这个谜题。其核心思想是使用“电子健康档案”（EHR）——它们仅仅是患者住院期间的数字日记，充满了症状、实验室检查和病史——并将它们喂给强大的“大语言模型”（LLM）。把这些 LLM 想象成超级聪明、博学多才的图书管理员，他们读过数百万本书，现在可以通过阅读患者的故事，学会预测特定患者的最佳药物清单。为什么这很重要？因为获得正确的药物出院方案，决定了患者是在家中保持健康，还是再次病倒。

---

伟大的药物谜题：CHIP 2025 Shared Task 2

在繁忙的医疗 AI 世界中，一项名为“CHIP 2025 Shared Task 2”的新竞赛启动了，旨在测试计算机是否能够掌握代谢性疾病出院药物推荐的艺术。代谢性疾病是指像糖尿病和脂肪肝病这类人体能量处理功能出现故障的疾病。组织者是由大连理工大学和当地一家医院组成的团队，他们想看看 AI 是否能通过查看患者的中文住院记录，自动建议患者出院时应服用的正确药物清单。

为了实现这一目标，团队构建了一个特殊的训练场，名为 CDrugRed。把它想象成一个巨大的、秘密的图书馆，里面包含了来自 3,190 名不同患者的 5,894 份真实住院故事。这些故事经过了仔细的脱敏处理以保护患者隐私，去除了姓名和面孔，但保留了医学细节。这个图书馆包含从患者年龄、体重到实验室检查结果、既往病史以及医生实际开具的出院药物清单的一切信息。AI 的目标很简单：阅读故事，并从 651 种可能的选项中挑选出正确的药物。

这次竞赛引起了巨大轰动。共有 526 支队伍报名参加这个谜题的破解，涵盖了从大学研究人员到科技公司的各种力量。他们被分为两个阶段：练习赛（Phase A）和最终对决（Phase B）。最终，167 支队伍提交了他们在练习赛中的最佳预测，而 95 支队伍进入了最终测试。

结果既让人感到“惊叹”，也让人意识到“仍有很多东西要学习”。表现最好的团队名为 DeepDrug，他们取得了一个结合了两种不同衡量成功方式的分数：Jaccard 分数为 0.5102，F1 分数为 0.6267。为了便于理解，研究人员设置了一个基准计算机模型（一种基于该数据训练的标准 AI），其在最终测试中的得分约为 0.5062。最优秀的团队超越了这个基准，但并没有实现压倒性的胜利。这是一场激烈的竞争，前十名团队的分数都非常接近，这表明虽然 AI 正在变得擅长，但这还不是一个已被完全解决的问题。

那么，获胜者是如何做到的呢？论文揭示了秘诀并不在于一个超级聪明的机器人，而是一个协同工作的“机器人团队”。顶尖团队，如 DeepDrug 和 ZZUNLP，使用了一种称为**集成学习（ensemble learning）**的策略。想象一下你在尝试猜一个很难的谜语。如果你只问一个人，他可能会猜错。但如果你问五个不同的人，并采用他们达成共识的答案，你更有可能猜对。获胜团队训练了多个不同的 AI 模型，让它们各自列出药物清单，然后合并它们的答案。有些团队甚至使用了“投票”系统，即只有当至少两个或三个不同的模型都建议某种药物时，它才会进入最终名单。

论文还强调，这些 AI 模型仍在学习中。虽然顶尖团队相比基准模型有了显著提升，但分数表明仍有增长空间。研究人员指出，这项任务之所以困难，是因为患者各不相同，且医学文本杂乱无章且充满专业术语。获胜的方法不仅仅依赖于原始的计算能力，还使用了巧妙的技巧，如“数据增强”（创建虚假但真实的患者故事变体，以帮助 AI 更好地学习）和“提示词工程”（教导 AI 如何精确地阅读医学笔记）。

最后，这次竞赛表明，先进的 AI（尤其是基于大语言模型的 AI）在帮助中国医生管理慢性疾病方面具有真正的潜力。它证明了通过正确的数据和聪明的团队协作，计算机可以开始理解人类健康的复杂故事。然而，作者们谨慎地指出，这仅仅是一个开始。诸如罕见病、数据不平衡以及确保 AI 在不同医院都能有效运行等挑战仍需解决。目前，大门正向更多研究人员敞开，欢迎利用 CDrugRed 数据集来构建更智能的工具，这些工具有一天可能会确保每位患者在手里拿着完美处方的情况下康复出院。