Sztuczna inteligencja w interakcjach leków i kontroli dawki — Sztuczna inteligencja w farmacji

Zyski:

Możliwość oceny jakości dowodów i limitów wyników podczas wstępnej analizy interakcji lek-lek, lek-żywność i lek-choroba za pomocą sztucznej inteligencji
Możliwość krzyżowej weryfikacji wyników sztucznej inteligencji za pomocą niezależnych obliczeń i SmPC w obliczeniach dawki, jednostki i częstotliwości stosowania
Umiejętność zrozumienia, że ostateczna odpowiedzialność za decyzje dotyczące interakcji i dawkowania spoczywa na kompetentnym farmaceucie i że znaczenie kliniczne należy oceniać w kontekście pacjenta.

W sercu farmacji leżą dwa pytania: „Czy te leki razem są bezpieczne?” oraz „Czy ta dawka jest odpowiednia dla tego pacjenta?” Te dwa pytania zadawane są setki razy dziennie, a każde z nich dotyczy bezpośrednio bezpieczeństwa pacjenta. Sztuczna inteligencja może przyspieszyć wstępną analizę tych pytań; Umieszcza przed tobą możliwe interakcje na liście, przypomina o logice dawkowania i wskazuje punkt, o którym zapomniałeś. Jednak różnica między „możliwą interakcją” a „klinicznie znaczącą interakcją dla tego pacjenta” stanowi istotę Twojego zawodu i to Ty robisz tę różnicę, a nie sztuczna inteligencja. W tym module dowiesz się, jak uczynić sztuczną inteligencję bezpiecznym narzędziem do wstępnej kontroli interakcji i kontroli dawki.

Trzy rodzaje interakcji leków

Interakcja ma miejsce, gdy jedna substancja zmienia działanie innej substancji. Istnieją trzy główne typy:

Interakcja lek-lek: Dwa leki zwiększają lub osłabiają wzajemne działanie. Przykład: Jednoczesne stosowanie warfaryny (leku rozrzedzającego krew) i niektórych antybiotyków może zwiększać ryzyko krwawienia.
Interakcja leku ze składnikiem odżywczym: Pożywienie zmienia wchłanianie lub metabolizm leku. Przykład: sok grejpfrutowy może zwiększać stężenie niektórych leków we krwi.
Interakcja leku z chorobą: Lek może pogorszyć istniejącą chorobę pacjenta. Przykład: niektóre leki przeciwbólowe mogą być szkodliwe w przypadku niewydolności serca lub choroby nerek.

Sztuczna inteligencja może wykrywać wszystkie trzy typy, ale zadaniem farmaceuty jest ocena znaczenia klinicznego każdego ostrzeżenia (czy faktycznie wymaga interwencji) w kontekście pacjenta.

Przestroga: Nawet w bazach danych dotyczących interakcji rozróżnia się interakcje „teoretyczne” i „klinicznie znaczące”. Sztuczna inteligencja może wymienić oba z równą powagą. Porównaj każdy alert z bieżącym źródłem, aby uniknąć zmęczenia alertami (zbyt wiele alertów i pominięcie prawdziwego).

Gdzie sztuczna inteligencja pomaga w kontroli dawki

Kontrola dawki składa się z trzech kroków: poznania właściwej dawki, dostosowania jej do pacjenta i prawidłowego obliczenia. Sztuczna inteligencja:

Przypomina: „Czy ten lek wymaga dostosowania dawki w przypadku niewydolności nerek?” Daje odpowiedzi na takie pytania jak badanie wstępne.
Wersje robocze obliczeń: szybko wyprowadza rutynowe obliczenia, takie jak obliczanie mg/kg, przeliczanie ml, częstotliwość stosowania.
Generuje listę kontrolną: zawiera listę rzeczy, na które należy zwrócić uwagę przed potwierdzeniem dawki.

Jednak na wszystkich trzech etapach ostatnie słowo należy do ChPL (podsumowania informacji o produkcie; oficjalnie zatwierdzonego tekstu informacji o leku) i niezależnego konta. Sztuczna inteligencja może błędnie zapamiętać dawkę, pomylić jednostki (mg z mcg) lub podać dawkę dla innego wskazania.

trzy mini etui

Przypadek 1 — Warfaryna i antybiotyki. Lekarz przepisał nowy antybiotyk 72-letniemu pacjentowi stosującemu warfarynę. Sztuczna inteligencja ostrzegła „zwiększone ryzyko krwawienia, zaleca się ścisłe monitorowanie INR” podczas badań wstępnych. Farmaceuta potwierdził to ostrzeżenie w aktualnej bazie danych interakcji i ChPL, poinformował lekarza i przypomniał pacjentowi o dacie kontroli INR (testu krzepnięcia krwi). Sztuczna inteligencja stała się tutaj siecią bezpieczeństwa; Decyzję podjęto w porozumieniu farmaceutów i lekarzy.

Przypadek 2 — Dawkowanie u dzieci. Syrop przepisano dziecku w wieku 4 lat i wadze 16 kg. Dawka 15 mg/kg/dzień w 2 dawkach dziennie. Sztuczna inteligencja obliczyła „16 × 15 = 240 mg/dzień, 120 mg na dawkę”. Farmaceuta niezależnie zweryfikował obliczenia, uzyskał stężenie syropu (np. 250 mg/5 ml) z ChPL i obliczył je na 2,4 ml na dawkę. Sztuczna inteligencja nie mogła podać ml, ponieważ nie znała stężenia; Farmaceuta wykonał ten krok samodzielnie.

Przypadek 3 — Funkcja nerek. Pacjentowi z szacowanym klirensem kreatyniny wynoszącym 25 ml/min przepisano lek zwykle podawany w pełnej dawce. Sztuczna inteligencja stwierdziła: „Ten lek może wymagać dostosowania dawkowania w przypadku niewydolności nerek, co potwierdza ChPL”. Farmaceuta zauważył w ChPL, że dawkę należy zmniejszyć o połowę, jeśli klirens wynosi poniżej 30 ml/min, i skontaktował się z lekarzem. Sztuczna inteligencja zapukała do właściwych drzwi, ale SPC podała dokładną stawkę.

Interakcja krok po kroku i kontrola dawki

Skonfiguruj anonimowy kontekst. Przygotuj wiek, wagę, stan nerek/wątroby pacjenta i pełną listę leków (bez identyfikacji).
Poproś o wstępną selekcję. Poproś sztuczną inteligencję o wypisanie zagrożeń związanych z interakcją i dawkowaniem.
Filtruj pod kątem znaczenia klinicznego. Zważ każde ostrzeżenie w porównaniu z aktualną bazą danych/ChPL; Czy jest to teoretyczne i sensowne?
Wykonaj obliczenia samodzielnie. Rozwiąż ponownie obliczenie dawki za pomocą analizy jednostkowej.
W razie potrzeby skonsultuj się z lekarzem. W razie wątpliwości skontaktuj się z nami; Zapisz decyzję i uzasadnienie.

Słaba zachęta/silna zachęta

Słabe: „Czy te leki wchodzą w interakcje?”

Strong: „Wymienić możliwe interakcje leków i leków z chorobą w celu wstępnego badania przesiewowego pacjenta stosującego poniższą listę leków. Pacjent: 68 lat, niewydolność serca, klirens kreatyniny ~35 ml/min. Leki: [lista]. Dla każdej interakcji zapisz mechanizm, prawdopodobny wynik kliniczny i zanotuj „Wymagane potwierdzenie ChPL/bazy danych”. Podejmowanie decyzji klinicznych; tylko lista kontrolna.”

W potężnym podpowiedzi kontekst pacjenta, lista leków i limity są jasne; Wynik nie jest decyzją, ale listą kontrolną do sprawdzenia.

Cztery szablony do kopiowania

Zadanie: Wstępne badanie interakcji (NIE DECYZJA). Pacjent (anonimowy): wiek [...], waga [...], nerka/wątroba [...], diagnozy [...].Lista leków: [...].Wynik: | Para leków | Mechanizm | Możliwy wynik | Priorytet (wysoki/średni/niski) | Źródło potwierdzenia |Uwaga: Do każdego wiersza dodać „Wymagane potwierdzenie SPC/bazy danych”.

Zadanie: Sporządź listę kontrolną dawkowania.Lek: [...], wskazanie: [...], wiek/waga/funkcja pacjenta: [...].Sortowanie: 1) Czy znany jest standardowy zakres dawkowania? 2) Czy konieczna jest regulacja nerek/wątroby?3) Maksymalne ryzyko przedawkowania? 4) Częstotliwość/czas trwania aplikacji? Przy każdym produkcie napisz „potwierdź z SmPC”. Nie podawaj dokładnej liczby, odejmij punkt do sprawdzenia.

Zadanie: pokaż KROK PO KROKU wyliczenie dawki mg/kg i zapisz analizę jednostkową.Wprowadź: masa [...] kg, dawka [...] mg/kg/dzień, liczba dawek [...]/dzień, stężenie produktu [...] mg/ml.Wyjście: mg na dzień, mg na dawkę, mL na dawkę. Na każdym kroku pokazuj jednostkę. Uwaga: Farmaceuta musi niezależnie zweryfikować to obliczenie.

Tabela przestrog dotycząca kontroli dawkowania w zależności od rodzaju leku

Stan

Rola sztucznej inteligencji

Obowiązkowa weryfikacja

Standardowa dawka dla dorosłych

Przypomnienie/lista kontrolna

Zakres dawek SPC

Niewydolność nerek/wątroby

Sygnalizacja konieczności dostosowania

Dokładna dawka + obliczenie klirensu z ChPL

Dziecięce (mg/kg)

projekt konta

Niezależne konto + koncentracja

Lek o wąskim indeksie terapeutycznym (np. warfaryna, digoksyna)

Podświetlenie alertu

ChPL + parametr monitorowania + lekarz

Typowe błędy

Każde ostrzeżenie należy traktować równie poważnie. Należy oddzielić interakcje istotne teoretycznie i klinicznie.
Odwrócenie uwagi od sztucznej inteligencji. Stężenie produktu jest zawsze pobierane z ChPL/etykiety.
Pomijanie zamieszania w jednostkach. W obliczeniach należy wyjaśnić jednostki takie jak mg/mcg, mg/ml, %.
Relaks na lekach o wąskim indeksie terapeutycznym. W przypadku tych leków mały błąd oznacza duże ryzyko; wymagane są dalsze działania.
Opóźnianie konsultacji z lekarzem. Nie należy opóźniać komunikacji dotyczącej istotnej kwestii interakcji/dawki.

Podsumowując

Sztuczna inteligencja to potężne narzędzie do wstępnej kontroli i przypominania w interakcji i kontroli dawki; Ujawnia możliwe zagrożenia i przyspiesza rutynę. Jednakże obowiązkiem farmaceuty jest rozróżnienie pomiędzy „prawdopodobnym” a „istotnym dla tego pacjenta”, uzyskanie stężenia i dokładnego stosunku z ChPL, niezależna weryfikacja obliczeń oraz skonsultowanie się z lekarzem w razie wątpliwości. Decyzja i odpowiedzialność pozostają w gestii kompetentnego farmaceuty.

Zadanie aplikacji

Stwórz anonimowy profil pacjenta (wiek, waga, czynność nerek, 4-5 leków). Poproś sztuczną inteligencję o wstępną kontrolę interakcji i listę kontrolną dawkowania. Porównaj każdy alert w wynikach z bieżącym źródłem interakcji i ChPL; Wskaż, które ostrzeżenie ma znaczenie kliniczne, a które teoretyczne. Dokonaj samodzielnego obliczenia dawki i porównaj ją z wynikiem AI i zanotuj różnicę.

lista kontrolna

[ ] Oddałem kontekst pacjenta anonimowo i całkowicie.
[ ] Wstępne badanie przesiewowe interakcji przefiltrowałem pod kątem znaczenia klinicznego.
[ ] Potwierdziłem każde ostrzeżenie w aktualnej bazie danych/ChPL.
[ ] Sprawdziłem obliczenie dawki poprzez analizę niezależną i jednostkową.
[ ] Mam stosunek stężenie/dokładny z SPC.
[ ] Zachowałem dodatkową ostrożność w przypadku leków o wąskim indeksie terapeutycznym.
[ ] W razie wątpliwości konsultowałem się z lekarzem i zapisywałem decyzję.