降低用藥錯誤的機率模型：運用電子健康紀錄資料進行敏感度分析

本研究成功以不同閾值完成降低用藥錯誤之機率模型分析。
最佳閾值的選擇同時需要科學依據與臨床判斷，應根據不同專科特性及實際應用目的審慎設定。
AESOP 模型在整體科別中的準確率超過 80%。由於不適當處方的實際發生率較低，約為 1% 至 3%，其陽性預測值（Positive Predictive Value, PPV）介於 40% 至 60%。

背景

用藥相關的臨床決策支援系統已被視為提升醫療品質的重要工具，但其臨床價值仍未受到充分重視。本研究透過電子健康紀錄資料進行敏感度分析，以驗證一項既有的機率模型，評估其自動辨識用藥錯誤的能力。

方法

本研究使用台灣健保資料庫中 2009 年 1 月 1 日至 2011 年 12 月 31 日的資料，建立包含 222 萬組疾病－藥物（Disease-Medication, DM）關聯，以及 78 萬組藥物－藥物（Medication-Medication, MM）關聯的知識庫。

另從五家不同醫學中心與醫院的六個臨床科別收集 60 萬張門診處方，用於 AESOP 模型分析，並透過敏感度分析進行驗證。

敏感度分析採用 11 個不同閾值（α = 0.5 至 1.5），以辨識正向的 DM 與 MM 關聯。研究隨機抽取 2,400 張處方，並將模型結果與 18 位醫師的審查結果進行比較，以判斷處方是否適當。

結果

AESOP 模型以不同閾值測試 2,400 張處方，共產生 121 組分析結果。

與醫師審查結果相比，模型展現出：

結論

不同臨床科別與不同應用目的，可能需要採用不同的最佳模型閾值。建立可用於偵測用藥錯誤的創新系統，對提升患者安全、改善醫療品質，以及支援相關研究具有多方面的潛在價值。

Huang, C. Y., Nguyen, P. A., Yang, H. C., Islam, M. M., Liang, C. W., Lee, F. P., & Li, Y. C. (2019). A probabilistic model for reducing medication errors: A sensitivity analysis using Electronic Health Records data. Computer Methods and Programs in Biomedicine, 170, 31-38.

⟨

⟩