Mga nadagdag:
- Kakayahang suriin ang kalidad ng ebidensya at limitasyon ng output kapag sinusuri ang mga pakikipag-ugnayan sa gamot-droga, gamot-pagkain at sakit sa droga gamit ang artificial intelligence
- Kakayahang i-cross-validate ang output ng artificial intelligence na may independiyenteng pagkalkula at SmPC sa mga kalkulasyon ng dosis, yunit at dalas ng aplikasyon
- Ang kakayahang maunawaan na ang sukdulang responsibilidad para sa pakikipag-ugnayan at mga pagpapasya sa dosis ay nakasalalay sa karampatang parmasyutiko at ang klinikal na kahalagahan ay dapat na masuri sa loob ng konteksto ng pasyente.
Sa gitna ng parmasya ay dalawang tanong: "Ligtas ba ang mga gamot na ito nang magkasama?" at "Tama ba ang dosis na ito para sa pasyenteng ito?" Ang dalawang tanong na ito ay itinatanong daan-daang beses araw-araw, at bawat isa ay direktang nakakaapekto sa kaligtasan ng pasyente. Maaaring mapabilis ng artipisyal na katalinuhan ang pre-screening ng mga tanong na ito; Inilalagay nito ang mga posibleng pakikipag-ugnayan sa harap mo sa isang listahan, nagpapaalala sa iyo ng lohika ng dosis, at itinuturo ang isang puntong nakalimutan mo. Ngunit ang pagkakaiba sa pagitan ng "posibleng pakikipag-ugnayan" at "klinikal na makabuluhang pakikipag-ugnayan para sa pasyenteng ito" ay ang kakanyahan ng iyong propesyon, at ginagawa mo ang pagkakaiba, hindi ang AI. Sa unit na ito matututunan mo kung paano gawing ligtas na tool sa pre-screening ang artificial intelligence para sa pakikipag-ugnayan at pagkontrol sa dosis.
Tatlong uri ng pakikipag-ugnayan sa droga
Ang pakikipag-ugnayan ay kapag binago ng isang sangkap ang epekto ng isa pang sangkap. Mayroong tatlong pangunahing uri:
- Interaksyon ng droga-droga: Ang dalawang gamot ay nagpapataas o nagpapababa sa epekto ng isa't isa. Halimbawa: Ang sabay-sabay na paggamit ng warfarin (pagpapayat ng dugo) at ilang antibiotic ay maaaring magpataas ng panganib ng pagdurugo.
- Interaksyon ng gamot-nutrient: Binabago ng isang pagkain ang pagsipsip o metabolismo ng isang gamot. Halimbawa: ang grapefruit juice ay maaaring tumaas ang mga antas ng dugo ng ilang mga gamot.
- Pakikipag-ugnayan sa sakit sa droga: Maaaring lumala ang isang gamot sa kasalukuyang sakit ng isang pasyente. Halimbawa: ang ilang mga painkiller ay maaaring makapinsala sa pagpalya ng puso o sakit sa bato.
Maaaring i-screen ng AI ang lahat ng tatlong uri, ngunit trabaho ng parmasyutiko na suriin ang klinikal na kaugnayan ng bawat alerto (kung talagang nangangailangan ito ng interbensyon) sa konteksto ng pasyente.
Mag-ingat: Kahit na ang mga database ng pakikipag-ugnayan ay nakikilala sa pagitan ng "teoretikal" at "makahulugang klinikal" na pakikipag-ugnayan. Maaaring ilista ng AI ang parehong may pantay na kaseryosohan. Timbangin ang bawat alerto laban sa kasalukuyang pinagmulan upang maiwasan ang pagkapagod sa alerto (napakaraming alerto at nawawala ang tunay).
Saan nakakatulong ang artificial intelligence sa pagkontrol sa dosis
Ang pagkontrol sa dosis ay binubuo ng tatlong hakbang: pag-alam sa tamang dosis, pagsasaayos nito para sa pasyente, at paggawa ng tama sa pagkalkula. Artipisyal na katalinuhan:
- Nagpapaalala: "Ang gamot ba na ito ay nangangailangan ng pagsasaayos ng dosis sa pagkabigo ng bato?" Nagbibigay ito ng mga sagot sa mga tanong gaya ng paunang pagsusuri.
- Mga draft ng pagkalkula: Mabilis na naglalabas ng mga nakagawiang kalkulasyon gaya ng pagkalkula ng mg/kg, conversion ng mL, dalas ng aplikasyon.
- Bumubuo ng checklist: Naglilista ng mga bagay na hahanapin bago kumpirmahin ang isang dosis.
Ngunit sa lahat ng tatlong hakbang, ang huling say ay nasa SmPC (Buod ng Impormasyon ng Produkto; ang opisyal na inaprubahang teksto ng impormasyon ng gamot) at ang independiyenteng account. Maaaring maling maalala ng AI ang isang dosis, malito ang mga unit (mg na may mcg), o magbigay ng dosis para sa ibang indikasyon.
tatlong mini case
Kaso 1 — Warfarin at mga antibiotic. Inireseta ng doktor ang isang bagong antibiotic para sa isang 72 taong gulang na pasyente na gumagamit ng warfarin. Nagbabala ang artificial intelligence na "mas mataas na panganib ng pagdurugo, inirerekomenda ang malapit na pagsubaybay sa INR" sa pre-screening. Kinumpirma ng parmasyutiko ang babalang ito sa kasalukuyang database ng pakikipag-ugnayan at SmPC, ipinaalam sa manggagamot at pinaalalahanan ang pasyente ng petsa ng kontrol ng INR (blood clotting test). Ang AI ay naging isang safety net dito; Ang desisyon ay ginawa sa koordinasyon ng parmasyutiko at manggagamot.
Kaso 2 - Dosis ng bata. Ang syrup ay inireseta para sa isang bata na 4 taong gulang, na tumitimbang ng 16 kg. Dosis 15 mg/kg/araw sa 2 dosis bawat araw. Kinakalkula ng AI ang "16 × 15 = 240 mg / araw, 120 mg bawat dosis." Independiyenteng na-verify ng parmasyutiko ang pagkalkula, nakuha ang konsentrasyon ng syrup (hal. 250 mg/5 mL) mula sa SmPC at kinakalkula ito bilang 2.4 mL bawat dosis. Ang AI ay hindi makapagbigay ng mL dahil hindi nito alam ang konsentrasyon; Nakumpleto mismo ng parmasyutiko ang hakbang na ito.
Kaso 3 — Pag-andar ng bato. Ang isang pasyente na may tinantyang creatinine clearance na 25 mL/min ay nireseta ng gamot na karaniwang ibinibigay sa buong dosis. Sinabi ng artificial intelligence, "Ang gamot na ito ay maaaring mangailangan ng pagsasaayos ng dosis sa kabiguan ng bato, kumpirmahin mula sa SmPC." Nakita ng parmasyutiko sa SmPC na ang dosis ay dapat hatiin sa kalahati kung ang clearance ay mas mababa sa 30 mL/min at nakipag-ugnayan sa doktor. Kumatok ang artificial intelligence sa kanang pinto, ngunit ibinigay ng SPC ang eksaktong rate.
Hakbang-hakbang na pakikipag-ugnayan at pagkontrol sa dosis
- Mag-set up ng anonymous na konteksto. Ihanda ang edad ng pasyente, timbang, katayuan sa bato/atay, at kumpletong listahan ng gamot (nang walang pagkakakilanlan).
- Humiling ng pre-screening. Hilingin sa AI na maglista ng mga panganib sa pakikipag-ugnayan at dosis.
- Salain para sa klinikal na kahalagahan. Timbangin ang bawat alerto laban sa kasalukuyang database/SmPC; Ito ba ay teoretikal o makabuluhan?
- Gawin ang pagkalkula nang nakapag-iisa. Lutasin muli ang pagkalkula ng dosis gamit ang pagsusuri ng yunit.
- Kumunsulta sa doktor kung kinakailangan. Kung may pagdududa, makipag-ugnayan sa amin; Itala ang desisyon at pangangatwiran.
Mahinang prompt / Malakas na prompt
Mahina: "Nakikipag-ugnayan ba ang mga gamot na ito?"
Strong: "Ilista ang mga posibleng pakikipag-ugnayan sa droga at sakit sa droga bilang isang pre-screening para sa isang pasyente na gumagamit ng sumusunod na listahan ng mga gamot. Pasyente: 68 taong gulang, pagpalya ng puso, clearance ng creatinine ~35 mL/min. Mga Gamot: [listahan]. Para sa bawat pakikipag-ugnayan, isulat ang mekanismo, malamang na klinikal na resulta, at tandaan ang 'Kinakailangan ang kumpirmasyon ng SmPC/database'. Paggawa lamang ng klinikal na desisyon; suriin."
Sa malakas na prompt, malinaw ang konteksto ng pasyente, listahan ng gamot, at limitasyon; Ang output ay hindi isang desisyon, ngunit isang checklist upang i-verify.
Apat na maaaring kopyahin na mga template
Gawain: Interaction pre-screening (NOT DECISION). Pasyente (anonymous): edad [...], timbang [...], kidney/liver [...], diagnoses [...].Listahan ng gamot: [...].Output: | Pares ng droga | Mekanismo | Posibleng resulta | Priyoridad (mataas/medium/mababa) | Pinagmulan ng kumpirmasyon |Tandaan: Idagdag ang "Kinakailangan ang pagkumpirma ng SPC/database" sa bawat linya.
Gawain: Gumawa ng checklist ng dosis.Drug: [...], indikasyon: [...], edad/timbang/function ng pasyente: [...].Pag-uri-uriin: 1) Alam ba ang karaniwang hanay ng dosis? 2) Kailangan ba ang pagsasaayos ng bato/atay?3) Pinakamataas na panganib ng labis na dosis? 4) Dalas/tagal ng aplikasyon? Isulat ang "kumpirmahin mula sa SmPC" para sa bawat item. Huwag magbigay ng eksaktong numero, ibawas ang puntong susuriin.
Gawain: ipakita ang pagkalkula ng dosis ng mg/kg HAKBANG SA HAKBANG at isulat ang pagsusuri ng yunit. Input: timbang [...] kg, dosis [...] mg/kg/araw, bilang ng mga dosis [...]/araw, konsentrasyon ng produkto [...] mg/mL. Output: mg bawat araw, mg bawat dosis, mL bawat dosis. Ipakita ang unit sa bawat hakbang. Babala: Ang parmasyutiko ay dapat independiyenteng i-verify ang kalkulasyong ito.
Gawain: Maglista ng mga pakikipag-ugnayan ng gamot-nutrient.Mga Droga: [...].Output: | Gamot | Nakikipag-ugnayan sa pagkain/inumin | Epekto | Mungkahi para sa pasyente | Tala ng kumpirmasyon | Sumulat lamang ng mga kilalang pinagmumulan na pakikipag-ugnayan; Kung hindi ka sigurado, markahan ang "uncertain-confirmed".
Talaan ng pag-iingat sa pagkontrol ng dosis ayon sa uri ng gamot
Katayuan
Ang papel ng artificial intelligence
Mandatoryong pagpapatunay
Karaniwang dosis ng pang-adulto
Paalala/checklist
Saklaw ng dosis ng SPC
Pagkabigo sa bato/atay
Senyales na kailangan ang mga pagsasaayos
Eksaktong pagkalkula ng rate + clearance mula sa SmPC
Pediatric (mg/kg)
draft ng account
Malayang account + konsentrasyon
Narrow therapeutic index na gamot (hal. warfarin, digoxin)
Highlight ng alerto
SmPC + parameter ng pagsubaybay + manggagamot
Mga karaniwang pagkakamali
- Sineseryoso ang bawat babala. Ang teoretikal at klinikal na makabuluhang pakikipag-ugnayan ay dapat paghiwalayin.
- Inalis ang focus mula sa artificial intelligence. Ang konsentrasyon ng produkto ay palaging kinukuha mula sa SmPC/label.
- Nilaktawan ang pagkalito sa unit. Ang mga yunit tulad ng mg/mcg, mg/mL, % ay dapat na linawin sa pagkalkula.
- Nagpapahinga sa makitid na therapeutic index na gamot. Sa mga gamot na ito, ang isang maliit na pagkakamali ay isang malaking panganib; kailangan ng follow-up.
- Pagkaantala ng konsultasyon sa isang manggagamot. Ang komunikasyon ay hindi dapat maantala tungkol sa makabuluhang pakikipag-ugnayan/mga isyu sa dosis.
Sa buod
Ang artificial intelligence ay isang makapangyarihang pre-screening at tool sa paalala sa pakikipag-ugnayan at pagkontrol sa dosis; Ito ay nagpapakita ng mga posibleng panganib at nagpapabilis sa gawain. Ngunit tungkulin ng parmasyutiko na makilala ang pagitan ng "malamang" at "makahulugan para sa pasyenteng ito", upang makuha ang konsentrasyon at eksaktong ratio mula sa SmPC, upang independiyenteng i-verify ang pagkalkula, at kumunsulta sa doktor kapag may pagdududa. Ang desisyon at responsibilidad ay nananatili sa karampatang parmasyutiko.
Gawain ng aplikasyon
Gumawa ng hindi kilalang profile ng pasyente (edad, timbang, function ng bato, 4-5 na gamot). Magtanong sa AI para sa pre-screening ng pakikipag-ugnayan at isang checklist ng dosis. Ihambing ang bawat alerto sa output sa isang kasalukuyang pinagmumulan ng pakikipag-ugnayan at SmPC; Ipahiwatig kung aling babala ang klinikal na makabuluhan at alin ang teoretikal. Gumawa ng pagkalkula ng dosis nang nakapag-iisa at ihambing ito sa resulta ng AI at tandaan ang pagkakaiba.
checklist
- [ ] Ibinigay ko ang konteksto ng pasyente nang hindi nagpapakilala at ganap.
- [ ] Sinala ko ang paunang pagsusuri sa pakikipag-ugnayan para sa klinikal na kahalagahan.
- [ ] Kinumpirma ko ang bawat babala sa kasalukuyang database/SmPC.
- [ ] Na-verify ko ang pagkalkula ng dosis sa pamamagitan ng independyente at pagsusuri ng yunit.
- [ ] Nakuha ko ang konsentrasyon/eksaktong ratio mula sa SPC.
- [ ] Nagsagawa ako ng karagdagang pag-iingat sa mga gamot na may makitid na therapeutic index.
- [ ] Kapag may pagdududa, kumunsulta ako sa doktor at itinala ang desisyon.