每年世界衛生組織 ( WHO ) 都會為9月17日病人安全日訂定不同宣導主題,重點皆在強調任何人都不該在醫療過程中受到傷害,今年再次談起用藥安全。 WHO曾公布,在美國平均每天至少有一人死於用藥錯誤、每年約有130萬人遭受用藥錯誤所帶來的傷害。造成用藥錯誤的原因眾多,其中一種是因為藥名的型音相似 ( look-alike, sound-alike; LASA ) 所引起,指得是藥品的標籤或包裝設計,及藥名的讀音、拼音相近所造成的用藥錯誤(LASA Error),如圖1的思覺失調用藥Risperidone與帕金森氏症用藥Ropinirole。 據美國用藥安全協會 ( Institute for Safe Medication Practices, ISMP ) 統計,LASA Error約佔所有用藥錯誤的11%。若以單一大型醫學中心來看其發生率,相當於每院區每天開出的處方總量中有兩次的LASA Error,而這兩次可能帶來一連串嚴重問題! ISMP也為此制定了Tallman Letter藥品命名方法,試圖區隔這些容易讓人混淆的藥名,例如將前述的Risperidone與Ropinirole,改成risperiDONE 與 rOPINIRole,藉由將關鍵差異改成大寫,以強調兩者區別。然而目前並未有研究顯示此作法能夠有效降低LASA Error。 所幸實務上仍有兩個經研究證明有效的方法,一是以適應症為主的處方開立要求 ( Indication-based Prescribing )、二是AI大數據法。 以適應症為主的處方開立要求,主要由凱薩醫療機構 ( Kaiser Permanente ) 推動,他們要求醫師在開立處方前,須先確定病人的症狀,因此每筆處方都有其相對應的診斷。此方法能有效避免適應症相差過大的LASA用藥 ( 如前述適用於精神疾病的思覺失調及適用於神經退化的帕金森氏症之不同用藥 ),但對於適應症相近的用藥,如鎮靜劑Alprazolam與Lorazepam,或是適應性難以規範的抗生素,則無法發揮作用。 而其缺點則是消耗醫師過多時間,不僅造成每一次輸入處方的時間增加,每個病人的看診時間也倍增。 另個AI大數據法則由醫守創辦人李友專教授提出。此方法已在某醫學中心試行兩年,證實能有效捕捉LASA Error,並能區隔類似用途但具有臨床差異的錯誤用藥,且僅增加醫師2%的時間。實際推廣上,醫師對於此系統的使用接受率已達50%以上,而進一步接受系統提示而修改處方的比率,則是未使用者的百倍以上。 LASA Error不僅會發生在處方開立階段,也會發生在藥劑調配及護理給藥階段。全球藥物市場中估計至少數百萬種藥品,而各國用藥文化、產品命名與設計方式皆有差異,在疾病與用藥越來越複雜的趨勢下,我們需要更有效率的方法解決用藥錯誤。以美國而言,僅管FDA 與ISMP 已與多個相關機構合作,希望在藥品上市批准前、後階段介入,監管藥品命名、標籤、包裝和設計等,希望藉此改善這類因人為設計不良的可預防型錯誤,但LASA Error已是超出傳統法則式的方法可以處理的問題,而這還只是眾多用藥錯誤中的一種。醫守正在持續改善獨有的用藥安全模型,在臨床實務上不僅能改善用藥錯誤,更能優化電腦輔助決策流程,幫助醫師在第一時間就開出適切的診斷與用藥。 |
醫守欲言探索醫療與人工智慧的交叉點
全部
|