降低用藥錯誤的機率模型
本研究以台灣健保 1.035 億張處方建立 AOP 機率模型，分析疾病－藥物與藥物－藥物關聯，辨識罕見或異常處方。模型對合理處方辨識準確率達 96%，敏感度 75.9%、特異度 89.5%，且可整合 CPOE 與 CDSS，協助醫師及早發現潛在用藥錯誤並提升用藥安全。 |
背景
用藥錯誤在醫療照護中相當常見，不僅可能危及患者安全，也會增加醫療成本，但其中許多錯誤其實可以預防。
資訊科技與自動化系統在預防此類錯誤方面具有良好效益，因此已廣泛應用於醫院環境。本研究旨在建立一套機率模型，透過辨識藥物與疾病之間罕見或異常的關聯，降低用藥錯誤的發生。
方法
本研究採用關聯規則探勘方法，分析台灣健保資料庫中的 1.035 億張處方紀錄。
資料集包含：
2.045 億筆以 ICD-9-CM 編碼的診斷紀錄
3.477 億筆以 ATC 編碼的用藥紀錄
研究透過疾病與藥物的共同出現次數，建立疾病－藥物（Disease-Medication, DM）關聯與藥物－藥物（Medication-Medication, MM）關聯，並以關聯規則中的興趣度（interestingness）或提升度（Lift，以 Q 值表示）衡量關聯強度。
進一步利用 DMQ 與 MMQ 值開發關聯異常模式（Association Outlier Pattern, AOP）模型，用於預測特定處方的合理性。
最後，將 AOP 模型的判定結果與人工專家審查結果進行比較，以驗證模型的有效性與準確性。
結果
AOP 模型在辨識合理處方方面的準確率為 96%，在辨識不合理處方方面的準確率為 45%。模型的敏感度與特異度分別為 75.9% 與 89.5%。
結論
本研究成功開發 AOP 模型，可有效辨識處方中罕見或異常的疾病－藥物關聯與藥物－藥物關聯。AOP 模型可透過提示醫師潛在的處方問題，協助降低用藥錯誤發生率，進而提升患者安全與整體醫療品質。
Nguyen, P. A., Syed-Abdul, S., Iqbal, U., Hsu, M. H., Huang, C. L., Li, H. C., Li, Y. C. J. (2013).A Probabilistic Model for Reducing Medication Errors. PloS ONE, 8(12).