據統計有高達51%的處方錯誤從醫師端造成,而醫師每天問診次數多、藥物名稱艱澀難懂易混淆,病人「吃錯藥」的嚴重性可想而知,醫療體系也為此錯誤付上高額成本代價。為減少用藥錯誤情形,AI人工智慧能夠在醫師處方流程上發揮關鍵作用!
可能讓病人吃錯藥的環節包含:處方箋、調劑階段、給藥階段,以及病人錯誤服用。正確用藥仰賴用藥正確的處方箋,曾有醫院誤開藥物一個月達1000次!AESOP團隊以智慧型藥物安全系統「MedGuard」(藥御守),試圖從醫療資訊系統端解決醫師處方箋的難題,減少用藥錯誤。估算在台灣不適當處方率近5%,這個比例和美國相當,也接近全球平均數值。
藥名相似是醫師處方箋錯誤的一個重大關鍵,AESOP團隊執行長龍安靖以糖尿病患者的藥物為例,醫師容易誤打為EUCLIDAN(用於血管擴張),AESOP系統會透過系統視窗顯示相關診斷的藥物,建議醫師是否是降低血糖的EUGLUCON。 龍安靖指出,回溯台灣健保資料庫的經篩選後的處方箋有13億筆,所幸台灣的數據資料相較於其它國家更為精確與完整,藉由MedGuard進行藥物與病狀的數百萬的關聯,以AI人工智慧計算出來用藥建議的輔助,目前團隊的關聯建議,經實測也是醫師與專家接受度最高的,也增加了AI協助正確處方箋的有效性。近兩年來,AESOP已在台灣的北醫、萬芳以及雙和醫院的200位醫師使用。
AESOP團隊為追求更精確的臨床實驗結果,以提升其AI人工智慧系統的醫師普及性,決定參與B2MC在波士頓的計畫,計畫中專家顧問建議AESOP團隊在美國東岸及西岸選擇指標性醫療院所再進行臨床實驗,計畫期間約半年至一年。龍安靖發現在美國的醫療院所麻醉用藥不適當的比例較高,台灣與美國在國際標準診斷碼(ICD-9-CM)也是相同,兩國在處方箋數據上也很一致。執行長也分享台灣在AI領域是適合進行市場發展的階段,透過B2MC這樣的加速器計畫,讓AI科技研發得以商品化。
龍安靖提及現在AI人工智慧的趨勢,他指出AI並非萬靈丹,在發展AI醫療與數位健康需要領域知識的人才,以及醫師做為使用者行為的判斷,才有辦法建立有效的關聯模型。「商品化與推進市場的速度是很重要的!」團隊需要搶先把事業與產品建立起來。提及團隊未來的規劃,龍安靖也指出在成立公司後,持續在美國找到100位醫師進行臨床實驗,讓醫師接受率能達到台灣的標準,即至少過半的醫師接受度、3%的警示率。未來團隊希望能在一年內達到100萬美金的營收目標。 相關資料請參B2MC網站 (B2MC Taiwan新創團隊系列報導)
原文轉載出處:經濟日報
評論已關閉。
|
全部
|