Receptcontrole, verificatie en foutregistratie — Kunstmatige intelligentie in de farmacie

Winst:

Mogelijkheid om doserings-, indicatie-, duplicatie- en interactierisico's in het recept vooraf te scannen met kunstmatige intelligentie en verdachte items te markeren
Mogelijkheid om het risico op valse positieven/negatieven te beheersen door elke door kunstmatige intelligentie geregistreerde waarschuwing te bevestigen met de SmPC, handleiding en arts
Het goedkeuren van recepten is de verantwoordelijkheid van de bevoegde apotheker en, in geval van twijfel, van de mogelijkheid om de consultatieketen toe te passen op de arts.

Het recept is de brug die de beslissing van de arts overdraagt naar de praktijk van de apotheker; Maar de apotheker controleert elk bord van deze brug afzonderlijk. Verkeerde dosis, herhaalde medicatie, een over het hoofd geziene interactie, een indicatie die niet bij de patiënt past; Dit alles wordt vastgelegd in de receptcontrole. Deze taak wordt in een drukke apotheek tientallen keren per uur herhaald en aandachtsvermoeidheid is een reëel risico. Kunstmatige intelligentie is hier waardevol als tweede oog: het signaleert verdachte zaken, wijst op een risico dat misschien over het hoofd wordt gezien, herinnert u aan de checklist. Maar AI kan vals-positief (onnodig alarm) of vals-negatief (misser) produceren; dus elke waarschuwing van hem moet ook worden geverifieerd. In dit onderdeel leert u hoe u van kunstmatige intelligentie een veilig tweede oog kunt maken bij het voorschrijven van medicijnen.

Afmetingen receptcontrole

Bij een goede receptcontrole worden de volgende vragen gesteld:

Is het het juiste medicijn? Is de indicatie (reden van gebruik) geschikt voor de patiënt? Is er sprake van verwarring als gevolg van de gelijkenis van namen (bijvoorbeeld twee vergelijkbare medicijnnamen)?
Is het de juiste dosis? Is de dosis geschikt voor leeftijd, gewicht en nier-/leverfunctie? Is de maximale dosis overschreden?
Is er sprake van dubbel werk? Worden twee producten met dezelfde werkzame stof samen voorgeschreven?
Is er interactie? Interactie met voorgeschreven medicijnen of andere medicijnen die de patiënt gebruikt?
Zijn er contra-indicaties? Is het medicijn schadelijk vanwege de toestand van de patiënt (zwangerschap, allergie, ziekte)?
Zijn de duur en het bedrag consistent? Is het aantal geschreven dozen compatibel met de dosis en de duur?

AI kan elk van deze dimensies vooraf screenen; Maar elke bevinding wordt bevestigd door de SmPC, de gids en, indien nodig, de arts.

Van deze dimensies is de meest verraderlijke de verwarring die wordt veroorzaakt door de gelijkenis van namen (LASA in de internationale literatuur: medicijnen met een vergelijkbare spelling of uitspraak). Twee verschillende actieve ingrediënten die slechts een paar letters op elkaar lijken, kunnen door handschrift of snelle selectie met elkaar worden verward, en een dergelijke fout leidt tot een geheel andere behandeling. AI kan u eraan herinneren of de medicijnnaam op een recept een bekend “mengbaar paar” heeft; Maar de beslissing welke er daadwerkelijk wordt bedoeld, wordt genomen op basis van de diagnose van de patiënt en, indien nodig, opheldering met de arts. De waarschuwing van de kunstmatige intelligentie dat “het misschien vermengd is met dat medicijn” is een begin en geen einde.

Let op: AI kan een afkorting in het recept verkeerd ontcijferen of een dosis uit een ander formulier berekenen. Het feit dat hij zegt "geen probleem" bewijst niet dat het recept correct is; Hij geeft alleen een teken op basis van wat hij ziet.

Vals positief en vals negatief

Er zijn twee soorten fouten bij het voorschrijven van medicijnen. Een vals-positief alarm slaat op alarm terwijl er eigenlijk geen probleem is; Als het te vaak gebeurt, ontstaat er ‘alarmmoeheid’ en worden echte waarschuwingen genegeerd. Een vals-negatief mist een echt probleem; Dit is gevaarlijker omdat het geruisloos voorbijgaat. AI kan beide produceren. Daarom kun je van AI niet de enige controlelaag maken; het is een aanvulling op de controle van de apotheker, geen vervanging.

drie minikoffers

Geval 1 — Duplicaat actief ingrediënt. Eén recept bevatte een pijnstiller met dezelfde werkzame stof onder twee verschillende handelsnamen; Als de patiënt beide samen zou innemen, zou de dosis worden verdubbeld. Kunstmatige intelligentie markeerde tijdens de pre-screening "mogelijk duplicaat actief ingrediënt". De apotheker controleerde de inhoud van de twee producten op de SmPC, bevestigde de duplicatie en annuleerde er één in overleg met de arts. Kunstmatige intelligentie bracht een risico aan het licht dat over het hoofd had kunnen worden gezien.

Geval 2 – Vals-positieve interactie. De AI waarschuwde voor ‘serieuze interactie’ in één recept. Toen de apotheker naar de huidige interactiedatabase keek, zag hij dat dit een theoretisch en klinisch onbelangrijke interactie was; De dosis en monitoring van de patiënt waren al veilig. De apotheker noteerde de waarschuwing als ‘geëvalueerd, er is geen tussenkomst nodig’. Als kunstmatige intelligentie blindelings zou worden gevolgd, zou er onnodig worden gezocht naar een arts en zou de patiënt ongerust zijn.

Geval 3 – Verschil in dosering en duur. In de voor een kind voorgeschreven siroop werden de dagelijkse dosis en de duur van de behandeling vermeld, maar het aantal voorgeschreven flesjes was niet voldoende om de behandeling te voltooien. Kunstmatige intelligentie waarschuwde dat “het bedrag mogelijk niet de behandelingsperiode dekt”. De apotheker controleerde de rekening, bevestigde het tekort en corrigeerde het bedrag samen met de arts. Kunstmatige intelligentie heeft een rekenkundige discrepantie ontdekt.

Stap voor stap receptcontrole (ondersteunde kunstmatige intelligentie)

Anonimiseren. Patiënt-ID wissen; laat staan de klinische context.
Doe uw eigen controle. Als apotheker beoordeel jij eerst het recept.
Vraag om een tweede oog. Vraag AI-pre-screening aan op dosis, duplicatie, interactie en consistentie.
Filter waarschuwingen. Weeg elke waarschuwing af tegen de SmPC/database; Verwijder vals-positieven.
Als u een reëel risico loopt, raadpleeg dan uw arts. Los het bevestigde probleem samen met een arts op.
Leg het besluit en de motivering vast. Maak zowel vastgelegde als geëlimineerde waarschuwingen traceerbaar.

Zwakke prompt/sterke prompt

Zwak: "Is dit recept correct?"

Strong: "screen het volgende recept vooraf als tweede oog van een apotheker. Patiënt (anoniem): 70 jaar oud, creatinineklaring ~30 ml/min, bekende allergie [...]. Recept: [lijst met medicijnen/dosis/duur]. Markeer verdachte items onder de volgende kopjes: geschiktheid van de dosis, duplicaat actief ingrediënt, interactie, contra-indicatie, consistentie van hoeveelheid en duur. Voor elke vlag 'Bevestig met SmPC/database 'et' en geef de beslissing over het belangrijkheidsniveau (hoog/medium/laag).'

De patiëntcontext, de controlerubrieken en de verificatievoorwaarde zijn duidelijk in de krachtige prompt.

Vier kopieerbare sjablonen

Taak: Screening van dubbele actieve ingrediënten. Geneesmiddelenlijst (handelsnamen): [...]. Output: Markeer duplicaten die mogelijk hetzelfde actieve ingrediënt bevatten; opmerking toevoegen "inhoud moet worden geverifieerd vanuit de SmPC". Als u het niet zeker weet, schrijf dan [ONZEKER].

Taak: Consistentiecontrole dosis-hoeveelheid-duur. Invoer: dosis [...], frequentie [...], duur [...] dagen, recepthoeveelheid [...]. Berekenen: totaal benodigde eenheden enz. recepthoeveelheid. Markeer eventuele afwijkingen. Toon de berekening stap voor stap; De apotheker zal dit onafhankelijk verifiëren.

Taak: Contra-indicatiechecklist. Patiëntomstandigheden: [zwangerschap/allergie/ziekte]. Drugs: [...].Output: Voor elk medicijn "zou dit in strijd kunnen zijn met de situatie?" Markeer de vraag; vel geen definitief oordeel, schrijf "bevestig in de contra-indicatiesectie van de SmPC".

Receptcontrolelagentabel

laag

Wie/wat doet

Doel

1. Apotheker eerste lezing

Apotheker

Klinische logica en integriteit

2. Voorafgaande screening van kunstmatige intelligentie

kunstmatige intelligentie

Markeer wat je hebt gemist

3. Bronbevestiging

Apotheker + SPC/databank

bewijs van nauwkeurigheid

4. Communicatie met artsen

Apotheker ↔ Arts

Het echte probleem oplossen

5. Registratie

Apotheker

traceerbaarheid

Veel voorkomende fouten

Ontspannend omdat de kunstmatige intelligentie 'geen probleem' zei. Er bestaat een risico op valse negatieven; Controle door apothekers is essentieel.
Blindelings elke waarschuwing gehoorzamen. Valse positieve resultaten moeten worden geëlimineerd en onnodige zoektochten naar artsen moeten worden voorkomen.
Afkortingen decoderen door kunstmatige intelligentie. Als de afkortingen van het recept onduidelijk zijn, moet dit aan de arts worden gevraagd.
Berekening van hoeveelheid en duur overslaan. Eenvoudige rekenkundige inconsistenties verstoren de therapietrouw van de patiënt.
Het besluit niet vastleggen. Geëlimineerde en vastgelegde waarschuwingen moeten traceerbaar zijn.

Samengevat

Kunstmatige intelligentie is een waardevol tweede oog bij het voorschrijven van medicijnen; Het vormt een vangnet tegen aandachtsvermoeidheid door risico's van dosering, duplicatie, interactie en consistentie te signaleren. Maar het kan niet de enige controlelaag zijn, omdat het zowel valse positieven als valse negatieven kan opleveren. De apotheker maakt eerst zijn eigen evaluatie, filtert de waarschuwingen van de kunstmatige intelligentie met de SmPC en database, lost samen met de arts het echte probleem op en legt de beslissing vast. De verantwoordelijkheid voor de receptgoedkeuring ligt altijd bij de bevoegde apotheker.

Applicatie taak

Stel een anoniem voorschrijfscenario op (patiëntcontext + 4-5 items, inclusief opzettelijke duplicatie en een dosis-tijdverschil). Vraag de AI om een tweede oog-voorscan. Maak een lijst van de problemen die het opmerkt en mist; Laat met de SmPC/database zien welke waarschuwingen valse positieven opleveren. Noteer ten slotte de communicatie met de arts die u gaat gebruiken om de werkelijke problemen op te lossen en hoe u deze gaat vastleggen.

controlelijst

[ ] Ik heb het recept eerst zelf beoordeeld.
[ ] Ik gaf de patiëntcontext anoniem en volledig.
[ ] Ik ontving een gestructureerde pre-scan van de AI.
[ ] Ik heb elke waarschuwing bevestigd met de SmPC/database.
[ ] Ik heb valse positieven geëlimineerd met rechtvaardiging.
[ ] Het echte probleem heb ik samen met de dokter opgelost.
[ ] Ik heb de waarschuwingen geregistreerd die werden opgevangen en geëlimineerd.