| Project/Area Number |
21K06644
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 47060:Clinical pharmacy-related
|
|---|
| Research Institution | Kyushu University |
|---|
Principal Investigator |
永田 健一郎 九州大学, 大学病院, 薬剤主任 (30812896)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000)
Fiscal Year 2024: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000)
Fiscal Year 2023: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000)
Fiscal Year 2022: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2021: ¥2,080,000 (Direct Cost: ¥1,600,000、Indirect Cost: ¥480,000)
|
|---|
| Keywords | 処方チェックシステム / 機械学習 / 医療安全 / 医療情報システム |
|---|
| Outline of Research at the Start |
医療現場では、予め定義したルールに基づき医師の処方内容をチェックする処方チェックシステムが広く導入されている。しかし、医薬品の用量については、様々な種類の臨床検査値に応じた設計が必要となるため、既存の手法では十分なルールを定義することが難しい。
本研究では、機械学習の技術を応用することで、電子カルテデータを基に臨床検査値に応じた正常な処方パターンを自律的に学習させ、異常な処方（過量投与・過少投与）を高精度に検出するシステムを新規構築する。さらに、本システムを実際の医療現場で活用することにより、処方ミスにより引き起こされる医療過誤を減少させることを目指す。
|
| Outline of Annual Research Achievements |
医療現場では，予め定義したルールに基づき医師の処方内容をチェックする処方チェックシステムが広く導入されている。しかし，医薬品の用量については，患者の年齢，体重，および臨床検査値に応じた用量設計が必要となるため，既存のルールベースの手法では十分なシステムチェックを行うことは難しい。医薬品の用量に関する処方ミスは，患者の重篤な健康被害を引き起こす可能性があることから，実用性の高い用量チェックシステムの開発が望まれている。本研究では，近年，様々な分野で注目されている機械学習の技術を応用することで，電子カルテデータを基に，年齢，体重，および臨床検査値に応じた正常な処方パターンを自律的に学習させ，異常な処方（過量投与・過少投与）を高精度に検出するシステムの構築を目指すものである。
当該年度は，電子カルテシステム（HOPE EGMAIN-GX，富士通株式会社）から抽出した処方，注射，および各種臨床検査値データ（腎機能，肝機能，骨髄機能，電解質，薬物血中濃度等）の前処理方法を確立するとともに，異常検知における代表的な機械学習アルゴリズムであるOne-class support vector machine，Isolation forest，Local outlier factorを用いて異常な処方（過量投与・過少投与）を検出する機械学習モデルを構築した。また，構築した機械学習モデルにルールベースの手法を併用することで，異常な処方（過量投与・過少投与）に対する検出性能を向上させることを試みた。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
最適な機械学習アルゴリズムの選定，およびルールベースの手法を併用した機械学習モデルの検出性能の向上に想定よりも時間を要したため。
|
| Strategy for Future Research Activity |
これまでに検討を行ったOne-class support vector machine，Isolation forest，Local outlier factorに加えて，他のアルゴリズムを用いることにより検出性能のさらなる向上が可能か検討を行う。また，本システムを実臨床へ導入し，新規処方データを構築した機械学習モデルに適用することで，異常な処方（過量投与・過少投与）を早期に検出するとともに，薬剤師が必要な介入（疑義照会および適正な投与量への変更）を実施する。これにより，用量の処方ミスに起因する医療過誤（インシデント・アクシデント）を減少させることを目指す。
|
