利用巨量資料及深度學習預防用藥錯誤

研究計畫: A - 政府部門b - 國家科學及技術委員會

專案詳細資料

說明

用藥錯誤的發生率為0.5%到5%,預估台灣一年有75到750萬張不適當
處方,美國225到2,250萬張。美國每年需花費300億美元處理用藥錯
誤的醫療問題,而因用藥錯誤導致死亡約為17,500到35,000人。現
階段臨床決策支援系統,在預防用藥錯誤仍有很大改善空間,例如
警示常被忽略、不符成本效益、未具臨床驗證,且未具備持續自我
學習功能。

因此,本計畫主要目標為串連機率式與深度學習模型,以雙和醫院
進行的臨床試驗經驗為基礎,搭配大同醫護豐富的醫療資訊系統資
源,將由主持人開發的用藥安全系統實際導入醫院醫令系統,並納
入其他變數,如醫師科別、病人性別、年齡等,以加強用藥錯誤偵
測的陽性預測率。同時持續蒐集醫師對於提示的回應,以強化學習
(Reinforcement Learning)將回饋數據反饋模型。

本系統目前已於4家醫療院所導入(萬芳醫院、雙和醫院、北醫附醫
、美國AHMC),共收集超過100,000張處方約170位分別來自22個科別
的醫師參與試驗,警示率約為3%。並藉由大同醫護在醫療及照護市
場的專業,將警示介面更新至V2.0版本,同時將系統反應時間由原
先的平均4秒多減至約0.05秒,以確保不影響醫師看診流程。並邀請
12位專家,針對本系統之不同科別的建議進行處方再評估,針對
938個提示,3位醫師中有2兩位醫師認同提示的比率為70%以上
,故本研究執行後能夠透過此模型系統有效地自動偵測不適當的處
方開立,減少用藥錯誤,進而改善病人安全和提升醫療品質。
狀態已完成
有效的開始/結束日期11/1/1710/31/18

Keywords

  • 用藥錯誤
  • 深度學習
  • 巨量資料
  • 用藥安全

指紋

探索此專案觸及的研究主題。這些標籤是根據基礎獎勵/補助款而產生。共同形成了獨特的指紋。