基於機器學習的臨床決策支援系統降低警示疲勞、用藥錯誤，並警示型音相似藥品

本研究旨在評估以機器學習為基礎的臨床決策支援系統 MedGuard，在觸發具臨床意義的警示、警示接受率，以及攔截不當用藥錯誤與型音相似（Look-Alike, Sound-Alike, LASA）藥品錯誤方面的整體表現。
由專業藥師評估警示的適切性、警示接受情形、錯誤用藥事件，以及容易造成混淆的型音相似藥品組合。
在兩年的研究期間，共開立 1,206,895 筆處方，系統共觸發 28,536 次警示，整體警示率為 2.36%。其中共攔截 470 起用藥錯誤，占所有警示的 1.64%，相當於每 1,000 筆觸發警示的處方可攔截 16.4 起用藥錯誤。
研究結果顯示，以機器學習為基礎的 CDSS MedGuard 能透過觸發具臨床效度的警示，提升用藥安全。此外，較高的警示接受度有助於降低無效警示造成的臨床負擔，並可能進一步減少不良事件。

背景與目的

當醫師因接收到過多與臨床無關的警示而產生「警示疲勞」，可能會無意間忽略真正具有臨床價值的警示，進而限制臨床決策支援系統（Clinical Decision Support System, CDSS）的整體效益。

此外，不適當用藥、型音相似（Look-Alike, Sound-Alike, LASA）用藥錯誤，以及問題清單紀錄不明確等情況相當常見，不僅增加醫療成本，也可能對患者造成傷害。

本研究旨在評估以機器學習為基礎的臨床決策支援系統 MedGuard，在觸發具臨床相關性的警示、警示接受率、攔截不適當用藥，以及辨識型音相似用藥錯誤方面的整體表現。

方法

本研究採回溯性研究設計，評估 2019 年 7 月 1 日至 2021 年 6 月 30 日期間，某學術醫院門診使用 MedGuard 所產生的警示、警示接受率，以及型音相似用藥警示情形。

另由專業藥師評估警示的適切性、警示接受情形、用藥錯誤，以及容易造成混淆的藥品配對組合。

結果

在兩年的研究期間，共開立 1,206,895 張處方，系統共觸發 28,536 次警示，整體警示率為 2.36%。

在提供給醫師的 28,536 次警示中：

此外，用藥錯誤攔截率為 1.64%，即在 28,536 次警示中成功攔截 470 起錯誤，相當於每 1,000 筆觸發警示的處方中可攔截 16.4 起用藥錯誤。

結論

本研究顯示，以機器學習為基礎的臨床決策支援系統 MedGuard，能透過觸發具臨床價值的警示提升患者用藥安全。

該系統亦有助於改善問題清單紀錄、攔截不適當用藥，以及辨識型音相似用藥錯誤，進一步提升整體用藥安全。

此外，較高的警示接受率有助於降低無效警示所造成的臨床負擔與警示疲勞，並可能進一步減少不良事件。

* MedGuard 已正式更名為 RxPrime。

⟨

⟩