嵌入藥物警示之診斷建議成效評估：前瞻性單臂介入研究

門診中可能存在潛在不當處方問題，增加患者不良反應風險及醫療資源浪費。儘管臨床決策支援系統可協助處方決策，但其效果常受到病歷紀錄不完整的限制。

目的

本研究旨在評估一套以機器學習為基礎的臨床決策支援系統，在整合診斷推薦功能後，對提升診斷與處方一致性及處方合理性的成效。

方法

本研究為期一年，採單臂前瞻性介入試驗設計，於某區域教學醫院門診進行。系統透過以台灣全民健康保險研究資料庫訓練之機器學習演算法提供診斷建議。評估指標包括警示率、診斷建議接受率，以及不同臨床科別之系統表現差異，並以描述性統計與趨勢分析評估介入效果。

結果

本研究共納入 44 名醫師、23 個科別、125,000 名門診患者，共計 438,558 張處方。

整合診斷推薦模組的 MedGuard 系統（現稱 RxPrime）整體警示率為 2.28%，診斷建議接受率為 56.55%。所有被接受的診斷建議，皆進一步促成實際處方調整或補登原先缺漏的診斷。
眼科的診斷建議接受率最高，達 96.59%；感染科為 35%，精神科為 24.74%；風濕免疫科與外科則皆為 0%。
儘管一年研究期間內的處方總量持續增加，潛在不當處方警示的接受率仍維持在 51%。

結論

研究結果顯示，將診斷推薦功能整合至以機器學習為基礎的臨床決策支援系統警示機制中，有助於提升診斷完整性，並支援更安全的門診處方管理。未來仍需針對不同臨床科別進一步優化警示邏輯，並於更多臨床環境中驗證其可推廣性與實際成效。

⟨

⟩