| 研究課題/領域番号 |
21K06644
|
|---|
| 研究機関 | 九州大学 |
|---|
研究代表者 |
永田 健一郎 九州大学, 大学病院, 薬剤主任 (30812896)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2025-03-31
|
| キーワード | 処方チェックシステム / 機械学習 |
|---|
| 研究実績の概要 |
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。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
3: やや遅れている
理由
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。
|
| 今後の研究の推進方策 |
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。
|
| 次年度使用額が生じた理由 |
解析に必要な機器（ソフトウェア・コンピューター）を少額で購入できたことから，次年度使用額が生じた。データ解析に必要な物品（ソフト・ハード）が新たに発生する可能性が高く，次年度使用額を用いての購入を検討している。
|
