Kontrola receptur, weryfikacja i wychwytywanie błędów — Sztuczna inteligencja w farmacji

Zyski:

Możliwość wstępnego skanowania ryzyka dotyczącego dawkowania, wskazań, powielania i interakcji na recepcie za pomocą sztucznej inteligencji i oznaczania podejrzanych pozycji
Możliwość zarządzania ryzykiem fałszywie pozytywnych/negatywnych wyników poprzez potwierdzanie każdego alertu przechwyconego przez sztuczną inteligencję za pomocą ChPL, przewodnika i lekarza
Zatwierdzenie recepty należy do obowiązków kompetentnego farmaceuty, a w razie wątpliwości możliwość skierowania łańcucha konsultacji do lekarza.

Recepta jest pomostem, który przenosi decyzję lekarza do praktyki farmaceutycznej; Ale farmaceuta sprawdza każdą deskę tego mostu osobno. Niewłaściwa dawka, powtarzane leki, przeoczona interakcja, wskazanie nieodpowiednie dla pacjenta; Wszystko to jest uwzględniane w czeku na receptę. Zadanie to powtarza się kilkadziesiąt razy na godzinę w ruchliwej aptece, a zmęczenie uwagą jest realnym ryzykiem. Sztuczna inteligencja jest tu cenna jako drugie oko: sygnalizuje podejrzane przedmioty, podkreśla ryzyko, które można przeoczyć, przypomina o liście kontrolnej. Ale sztuczna inteligencja może wygenerować fałszywie pozytywny (niepotrzebny alarm) lub fałszywie negatywny (nietrafiony); więc każde jego ostrzeżenie również musi zostać zweryfikowane. W tym module dowiesz się, jak uczynić sztuczną inteligencję bezpiecznym drugim okiem w kontroli recept.

Wymiary kontroli recept

Dobra kontrola recepty zadaje następujące pytania:

Czy to właściwe lekarstwo? Czy wskazanie (powód stosowania) jest odpowiednie dla pacjenta? Czy występuje zamieszanie ze względu na podobieństwo nazw (np. dwie podobne nazwy leków)?
Czy to właściwa dawka? Czy dawka jest odpowiednia w zależności od wieku, masy ciała, czynności nerek/wątroby? Czy przekroczono maksymalną dawkę?
Czy istnieje duplikacja? Czy dwa produkty zawierające tę samą substancję czynną są przepisywane razem?
Czy istnieje interakcja? Interakcje z lekami przepisanymi lub innymi przyjmowanymi przez pacjenta?
Czy są jakieś przeciwwskazania? Czy lek jest szkodliwy ze względu na stan pacjentki (ciąża, alergia, choroba)?
Czy czas trwania i kwota są spójne? Czy liczba zapisanych pól jest zgodna z dawką i czasem trwania?

Sztuczna inteligencja może wstępnie sprawdzić każdy z tych wymiarów; Jednak każde odkrycie potwierdza ChPL, przewodnik i, jeśli to konieczne, lekarz.

Spośród tych wymiarów najbardziej podstępny jest zamieszanie spowodowane podobieństwem nazw (LASA w literaturze międzynarodowej: narkotyki o podobnej pisowni lub wymowie). Dwa różne składniki aktywne, które przypominają się tylko kilkoma literami, można pomylić ze względu na charakter pisma lub szybką selekcję, a taki błąd prowadzi do zupełnie innego leczenia. Sztuczna inteligencja może przypomnieć Ci, czy nazwa leku na recepcie ma znaną „parę mieszalną”; Jednak decyzję, o który z nich faktycznie chodzi, podejmuje diagnoza pacjenta i, jeśli to konieczne, wyjaśnienie lekarzowi. Ostrzeżenie sztucznej inteligencji, że „można go mieszać z tym lekiem” to początek, a nie koniec.

Uwaga: AI może błędnie rozszyfrować skrót na recepcie lub wyliczyć dawkę z innego formularza. To, że mówi „nie ma problemu”, nie dowodzi, że recepta jest prawidłowa; Daje znak tylko na podstawie tego, co widzi.

Fałszywie dodatnie i fałszywie ujemne

Istnieją dwa rodzaje błędów w kontroli recept. Fałszywy alarm podnosi alarm, choć w rzeczywistości nie ma problemu; Jeśli zdarza się to zbyt często, powoduje to „zmęczenie alarmem” i rzeczywiste ostrzeżenia są ignorowane. Fałszywie negatywny wynik pomija prawdziwy problem; Jest to bardziej niebezpieczne, ponieważ przebiega cicho. Sztuczna inteligencja może wyprodukować jedno i drugie. Dlatego nie można uczynić sztucznej inteligencji jedyną warstwą kontroli; stanowi uzupełnienie kontroli farmaceuty, a nie zamiennik.

trzy mini etui

Przypadek 1 – Duplikat składnika aktywnego. Jedna recepta zawierała lek przeciwbólowy zawierający tę samą substancję czynną pod dwiema różnymi nazwami handlowymi; Jeżeli pacjent przyjmował oba leki razem, dawka byłaby podwojona. Sztuczna inteligencja oznaczyła podczas wstępnej kontroli „możliwy duplikat składnika aktywnego”. Farmaceuta zweryfikował zawartość obu produktów w ChPL, potwierdził duplikację i w porozumieniu z lekarzem unieważnił jeden z nich. Sztuczna inteligencja uwidoczniła ryzyko, które można było przeoczyć.

Przypadek 2 — Fałszywie pozytywna interakcja. Sztuczna inteligencja ostrzegła o „poważnej interakcji” w jednej recepcie. Kiedy farmaceuta przejrzał aktualną bazę danych interakcji, stwierdził, że jest to interakcja nieistotna teoretycznie i klinicznie; Dawka i monitorowanie pacjenta były już bezpieczne. Farmaceuta odnotował ostrzeżenie jako „ocenione, nie jest wymagana żadna interwencja”. Gdyby ślepo podążano za sztuczną inteligencją, doszłoby do niepotrzebnego poszukiwania lekarza i niepokoju pacjenta.

Przypadek 3 — Rozbieżność dawki i czasu trwania. W syropie przepisanym dziecku podana była dzienna dawka i czas trwania kuracji, jednak liczba przepisanych butelek nie wystarczyła do zakończenia kuracji. Sztuczna inteligencja przestrzegła, że „kwota może nie obejmować okresu leczenia”. Farmaceuta sprawdził stan konta, potwierdził braki i skorygował kwotę z lekarzem. Sztuczna inteligencja wykryła rozbieżność arytmetyczną.

Kontrola receptur krok po kroku (wspierana sztuczna inteligencja)

Anonimizuj. Wyczyść identyfikator pacjenta; nie mówiąc już o kontekście klinicznym.
Wykonaj własną kontrolę. Jako farmaceuta w pierwszej kolejności oceniasz receptę.
Poproś o drugie oko. Poproś o wstępną kontrolę AI pod kątem dawki, powielania, interakcji i spójności.
Filtruj alerty. Zważ każde ostrzeżenie w oparciu o ChPL/bazę danych; Wyeliminuj fałszywe alarmy.
Jeśli jesteś w grupie realnego ryzyka, skonsultuj się z lekarzem. Rozwiąż potwierdzony problem z lekarzem.
Zapisz decyzję i uzasadnienie. Możliwość śledzenia zarówno przechwyconych, jak i wyeliminowanych alertów.

Słaba zachęta/silna zachęta

Słaby: „Czy ta recepta jest prawidłowa?”

Strong: „Przeanalizuj wstępnie następującą receptę jako drugie oko farmaceuty. Pacjent (anonimowy): 70 lat, klirens kreatyniny ~30 ml/min, znana alergia [...]. Recepta: [lista leków/dawek/czasu trwania]. Oznacz podejrzane pozycje pod następującymi nagłówkami: stosowność dawki, duplikat składnika aktywnego, interakcja, przeciwwskazania, zgodność ilościowo-czasowa. Dla każdej flagi „Potwierdź za pomocą ChPL/bazy danych „et” i podaj poziom ważności (wysoka/średnia/niska) decyzja.”

Kontekst pacjenta, nagłówki kontrolne i warunki weryfikacji są wyraźnie widoczne w potężnym podpowiedzi.

Cztery szablony do kopiowania

Zadanie: Sprawdzanie duplikatów substancji czynnej. Lista leków (nazwy handlowe): [...]. Wynik: Zaznacz duplikaty, które mogą zawierać tę samą substancję czynną; dodać notatkę „treść musi zostać zweryfikowana na podstawie ChPL”. Jeśli nie jesteś pewien, napisz [NIEPEWNE].

Zadanie: Sprawdzenie spójności dawki, ilości i czasu trwania. Wprowadź: dawka [...], częstotliwość [...], czas trwania [...] dni, ilość na receptę [...]. Oblicz: całkowita wymagana ilość jednostek itp. ilość na receptę. Zaznacz wszelkie rozbieżności. Pokaż obliczenia krok po kroku; Farmaceuta samodzielnie zweryfikuje.

Zadanie: Lista kontrolna przeciwwskazań.Stan pacjenta: [ciąża/alergia/choroba]. Narkotyki: [...] Wyniki: W przypadku każdego narkotyku „czy może to kolidować z sytuacją?” Zaznacz pytanie; nie dokonuj ostatecznej oceny, napisz „potwierdź w części ChPL dotyczącej przeciwwskazań”.

Tabela warstw kontrolnych receptury

warstwa

Kto/co robi

Cel

1. Pierwsze czytanie farmaceuty

Farmaceuta

Logika kliniczna i integralność

2. Wstępna selekcja sztucznej inteligencji

sztuczna inteligencja

Zaznacz, co przegapiłeś

3. Potwierdzenie źródła

Farmaceuta + SPC/baza danych

dowód dokładności

4. Komunikacja z lekarzem

Farmaceuta ↔ Lekarz

Rozwiązanie prawdziwego problemu

5. Rejestracja

Farmaceuta

identyfikowalność

Typowe błędy

Relaks, bo sztuczna inteligencja powiedziała „nie ma problemu”. Istnieje ryzyko fałszywych wyników negatywnych; Niezbędna jest kontrola farmaceutyczna.
Ślepe słuchanie każdego ostrzeżenia. Należy eliminować fałszywe alarmy i zapobiegać niepotrzebnym konsultacjom lekarskim.
Dekodowanie skrótów przez sztuczną inteligencję. Jeżeli skróty na receptach są niejasne, należy zapytać lekarza.
Pomijanie obliczeń ilość-czas trwania. Proste niespójności arytmetyczne zakłócają przestrzeganie zaleceń przez pacjenta.
Nie zapisanie decyzji. Wyeliminowane i przechwycone alerty muszą być identyfikowalne.

Podsumowując

Sztuczna inteligencja jest cennym drugim okiem w kontroli recept; Tworzy siatkę zabezpieczającą przed zmęczeniem uwagi, sygnalizując ryzyko dawkowania, powielania, interakcji i spójności. Nie może to jednak być jedyna warstwa kontrolna, ponieważ może dawać zarówno fałszywe alarmy, jak i fałszywie negatywne wyniki. Farmaceuta najpierw dokonuje własnej oceny, filtruje ostrzeżenia sztucznej inteligencji za pomocą ChPL i bazy danych, rozwiązuje rzeczywisty problem z lekarzem i zapisuje decyzję. Odpowiedzialność za zatwierdzenie recepty zawsze ponosi właściwy farmaceuta.

Zadanie aplikacji

Przygotuj scenariusz anonimowej recepty (kontekst pacjenta + 4-5 elementów, uwzględnij celowe powielanie i rozbieżność w dawce i czasie). Poproś sztuczną inteligencję o wstępne skanowanie drugiego oka. Wymień problemy, które wyłapuje i które pomija; Pokaż w ChPL/bazie danych, które z generowanych przez nią alertów są fałszywie pozytywne. Na koniec zapisz komunikację z lekarzem, której użyjesz do rozwiązania wykrytych rzeczywistych problemów, i sposób, w jaki je zapiszesz.

lista kontrolna

[ ] Najpierw sam oceniłem receptę.
[ ] Oddałem kontekst pacjenta anonimowo i całkowicie.
[ ] Otrzymałem uporządkowany skan wstępny od AI.
[ ] Potwierdziłem każde ostrzeżenie w ChPL/bazie danych.
[ ] Wyeliminowałem fałszywe alarmy wraz z uzasadnieniem.
[ ] Rozwiązałem prawdziwy problem z lekarzem.
[ ] Zapisałem alerty, które zostały wyłapane i wyeliminowane.