[go: up one dir, main page]

TWI811641B - 用藥風險評估方法與用藥風險評估裝置 - Google Patents

用藥風險評估方法與用藥風險評估裝置 Download PDF

Info

Publication number
TWI811641B
TWI811641B TW110107672A TW110107672A TWI811641B TW I811641 B TWI811641 B TW I811641B TW 110107672 A TW110107672 A TW 110107672A TW 110107672 A TW110107672 A TW 110107672A TW I811641 B TWI811641 B TW I811641B
Authority
TW
Taiwan
Prior art keywords
medication
information
overlapping
risk assessment
route information
Prior art date
Application number
TW110107672A
Other languages
English (en)
Other versions
TW202236295A (zh
Inventor
陳陪蓉
蔡宗憲
陳亮恭
黃世宗
蕭斐元
Original Assignee
宏碁股份有限公司
國立陽明交通大學
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 宏碁股份有限公司, 國立陽明交通大學 filed Critical 宏碁股份有限公司
Priority to TW110107672A priority Critical patent/TWI811641B/zh
Priority to EP21168676.1A priority patent/EP4064286A1/en
Priority to US17/367,420 priority patent/US20220285029A1/en
Priority to CN202110870589.0A priority patent/CN115019930A/zh
Publication of TW202236295A publication Critical patent/TW202236295A/zh
Application granted granted Critical
Publication of TWI811641B publication Critical patent/TWI811641B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Toxicology (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Medical Preparation Storing Or Oral Administration Devices (AREA)

Abstract

一種用藥風險評估方法與用藥風險評估裝置。所述方法包括：獲得用藥資料庫中與第一藥物組合有關的第一用藥路徑資訊；獲得所述用藥資料庫中與第二藥物組合有關的第二用藥路徑資訊；獲得所述第一用藥路徑資訊與所述第二用藥路徑資訊之間的重疊用藥資訊；判斷所述重疊用藥資訊是否符合雜訊排除條件；以及若所述重疊用藥資訊符合所述雜訊排除條件，在不考慮所述第一用藥路徑資訊的前提下，根據所述用藥資料庫中的其餘用藥路徑資訊，建立風險評估模型，其中所述風險評估模型用以評估所述用藥資料庫中的至少一藥物的使用風險。

Description

用藥風險評估方法與用藥風險評估裝置
本發明是有關於一種用藥風險分析技術，且特別是有關於一種用藥風險評估方法與用藥風險評估裝置。
藥物雖然可以用來治療疾病，但也可能造成其他健康上的風險。特別是，針對同一病患所連續服用的多種藥物，彼此間可能會引發不同的連鎖反應。因此，如何確認同一病患所連續使用的不同藥物彼此之間是否會相互干擾，甚至在病患身體上造成不良影響，實為本領域技術人員所致力研究的課題之一。
本發明提供一種用藥風險評估方法與用藥風險評估裝置，可使用經篩選的用藥路徑資訊來建立藥物的風險評估模型。
本發明的實施例提供一種用藥風險評估方法，其包括：獲得用藥資料庫中與第一藥物組合有關的第一用藥路徑資訊；獲得所述用藥資料庫中與第二藥物組合有關的第二用藥路徑資訊；獲得所述第一用藥路徑資訊與所述第二用藥路徑資訊之間的重疊用藥資訊；判斷所述重疊用藥資訊是否符合雜訊排除條件；以及若所述重疊用藥資訊符合所述雜訊排除條件，在不考慮所述第一用藥路徑資訊的前提下，根據所述用藥資料庫中的其餘用藥路徑資訊，建立風險評估模型，其中所述風險評估模型用以評估所述用藥資料庫中的至少一藥物的使用風險。
本發明的實施例另提供一種用藥風險評估裝置，其包括儲存電路與處理器。所述儲存電路用以儲存用藥資料庫。所述處理器耦接至所述儲存電路。所述處理器用以：獲得所述用藥資料庫中與第一藥物組合有關的第一用藥路徑資訊；獲得所述用藥資料庫中與第二藥物組合有關的第二用藥路徑資訊；獲得所述第一用藥路徑資訊與所述第二用藥路徑資訊之間的重疊用藥資訊；判斷所述重疊用藥資訊是否符合雜訊排除條件；以及若所述重疊用藥資訊符合所述雜訊排除條件，在不考慮所述第一用藥路徑資訊的前提下，根據所述用藥資料庫中的其餘用藥路徑資訊，建立風險評估模型，其中所述風險評估模型用以評估所述用藥資料庫中的至少一藥物的使用風險。
基於上述，本發明的實施例提出的用藥風險評估方法與用藥風險評估裝置，可在建立、訓練或更新藥物的風險評估模型的過程中，先將可能引發雜訊或不確定性的用藥路徑資訊排除。藉此，可提高所建立的風險評估模型的可靠度。
圖1是根據本發明的一實施例所繪示的用藥風險評估裝置的功能方塊圖。請參照圖1，裝置(亦稱為用藥風險評估裝置)10可實作為筆記型電腦、桌上型電腦、平板電腦、工業用電腦、伺服器或其他類型的電腦裝置。
用藥風險評估裝置10包括處理器11與儲存電路12。處理器11用以控制用藥風險評估裝置10的整體或部分操作。例如，處理器11可包括中央處理單元(Central Processing Unit, CPU)、或是其他可程式化之一般用途或特殊用途的微處理器、數位訊號處理器(Digital Signal Processor, DSP)、可程式化控制器、特殊應用積體電路(Application Specific Integrated Circuits, ASIC)、可程式化邏輯裝置(Programmable Logic Device, PLD)或其他類似裝置或這些裝置的組合。
儲存電路12耦接至處理器11並用以儲存資料。例如，儲存電路12可包括揮發性儲存電路與非揮發性儲存電路。揮發性儲存電路用以揮發性地儲存資料。例如，揮發性儲存電路可包括隨機存取記憶體(Random Access Memory, RAM)或類似的揮發性儲存媒體。非揮發性儲存電路用以非揮發性地儲存資料。例如，非揮發性儲存電路可包括唯讀記憶體(Read Only Memory, ROM)、固態硬碟(solid state disk, SSD)及/或傳統硬碟(Hard disk drive, HDD)或類似的非揮發性儲存媒體。
須注意的是，用藥風險評估裝置10還可包括顯示器、滑鼠、鍵盤、觸控板、觸控螢幕、揚聲器、麥克風、網路介面卡及/或電源供應電路等各式輸入/輸出裝置。本發明不限制所述輸入/輸出裝置的類型。
在一實施例中，儲存電路12儲存有用藥資料庫101。用藥資料庫101可用以儲存一或多個使用者(亦稱為病患)的歷史用藥記錄。例如，某一個使用者的歷史用藥記錄可反映此使用者在過去一段時間內的用藥歷史，包含此使用者曾經使用過的藥物之名稱以及使用特定藥物的時間(例如日期)。此外，用藥資料庫101還可用以儲存更多有用的資訊，本發明不加以限制。
在一實施例中，儲存電路12還儲存有風險評估模型102。風險評估模型102可用以評估用藥資料庫101中的至少一種藥物的使用風險。在一實施例中，風險評估模型102還可用以評估用藥資料庫101中的多種藥物在依序或合併使用上可能存在的風險。例如，在建立風險評估模型102後，風險評估模型102可針對多種藥物進行與此些藥物的使用順序以及此些藥物使用上可能存在的風險有關的分析。例如，根據分析結果，風險評估模型102可輸出一個報表，以呈現某些藥物在依序或合併使用上可能存在的風險(例如可能引發的副作用)。此外，風險評估模型102還可輸出更多與藥物的使用風險有關的資訊，本發明不加以限制。
在一實施例中，風險評估模型102可包括神經網路模型及/或機器學習模型。藉此，風險評估模型102可經訓練以提高針對特定藥物在使用上的風險評估的精準度。例如，處理器11可使用與特定藥物有關的用藥路徑資訊來訓練或更新風險評估模型102。
在一實施例中，處理器11可獲得用藥資料庫101中與某一藥物組合(亦稱為第一藥物組合)有關的用藥路徑資訊(亦稱為第一用藥路徑資訊)。第一藥物組合包含多種藥物(亦稱為第一藥物)。在一實施例中，處理器11可獲得用藥資料庫101中與另一藥物組合(亦稱為第二藥物組合)有關的用藥路徑資訊(亦稱為第二用藥路徑資訊)。第二藥物組合也包含多種藥物(亦稱為第二藥物)。
在一實施例中，第一用藥路徑資訊可反映第一藥物組合中的多種藥物(即第一藥物)在使用上的順序性。例如，假設第一藥物組合包含藥物A、B及C，則第一用藥路徑資訊可反映某一使用者使用藥物A、B及C的順序性。類似的，第二用藥路徑資訊可反映第二藥物組合中的多種藥物(即第二藥物)在使用上的順序性。例如，假設第二藥物組合包含藥物D、E及F，則第二用藥路徑資訊可反映某一使用者使用藥物D、E及F的順序性。
在一實施例中，處理器11可獲得第一用藥路徑資訊與第二用藥路徑資訊之間的重疊用藥資訊。例如，此重疊用藥資訊可反映用藥資料庫101中符合第一用藥路徑資訊的用藥人數與符合第二用藥路徑資訊的用藥人數之間的重疊程度(或重疊比例)。在一實施例中，此重疊程度可藉由一個比例值來表示。例如，根據用藥資料庫101中的歷史用藥記錄，符合第一用藥路徑資訊的用藥人數與符合第二用藥路徑資訊的用藥人數之間的重疊程度越高，則此比例值可越大。
在一實施例中，在獲得重疊用藥資訊後，處理器11可判斷此重疊用藥資訊是否符合一個雜訊排除條件。此雜訊排除條件是用以在建立風險評估模型102之前，篩選出後續可能會對風險評估模型102造成不良影響(例如降低風險評估模型102的可靠度)的資訊(即雜訊)並可加以排除。
在一實施例中，若處理器11判定所獲得的重疊用藥資訊符合所述雜訊排除條件，則處理器11可在不考慮所述第一用藥路徑資訊的前提下，根據用藥資料庫101中的其餘用藥路徑資訊，建立風險評估模型102。也就是說，在建立、訓練或更新風險評估模型102之前，處理器11可根據所述雜訊排除條件來篩選出後續可能會對風險評估模型102造成不良影響的用藥路徑資訊。爾後，在建立、訓練或更新風險評估模型102時，此些可能會對風險評估模型102造成不良影響的用藥路徑資訊可被排除(即不被用以建立、訓練或更新風險評估模型102)，從而提高所建立的風險評估模型102的可靠度。
在一實施例中，若處理器11判定此重疊用藥資訊不符合所述雜訊排除條件，表示所述第一用藥路徑資訊對於風險評估模型102的建立、訓練或更新是有幫助的(例如增加風險評估模型102的資訊量)。因此，在後續建立、訓練或更新風險評估模型102的過程中，處理器11可允許使用所述第一用藥路徑資訊來建立、訓練或更新風險評估模型102。
在一實施例中，所述第一藥物組合中的藥物與所述第二藥物組合中的藥物完全相同。也就是說，假設第一藥物組合包含藥物A、B及C(或由藥物A、B及C組成)，則第二藥物組合也包含藥物A、B及C(或由藥物A、B及C組成)。
在一實施例中，所述第一藥物組合中的藥物與所述第二藥物組合中的藥物完全不同。也就是說，假設第一藥物組合包含藥物A、B及C(或由藥物A、B及C組成)，則第二藥物組合可包含藥物D、E及F(或由藥物D、E及F組成)。其中，藥物A、B及C與藥物D、E及F完全不同。
在一實施例中，處理器11可判斷所述比例值是否大於一個門檻值。若處理器11判定所述比例值大於此門檻值，處理器11可判定所述重疊用藥資訊符合所述雜訊排除條件。反之，若處理器11判定所述比例值不大於此門檻值，處理器11可判定所述重疊用藥資訊不符合所述雜訊排除條件。
圖2是根據本發明的一實施例所繪示的第一使用者的用藥歷史記錄的示意圖。請參照圖2，某一使用者(例如使用者X)的用藥歷史記錄可反映使用者X在4月12日與4月17日使用過藥物A(例如從藥局領取藥物A)、在4月19日、4月22日及5月7日使用過藥物B(例如從藥局領取藥物B)、及在4月26日與5月1日使用過藥物C(例如從藥局領取藥物C)。爾後，使用者X在5月11日因特定疾病住院。處理器11可根據使用者X的用藥歷史記錄來獲得使用者X在5月11日住院前的一段時間範圍內的用藥路徑資訊(即第一用藥路徑資訊)。
圖3是根據本發明的一實施例所繪示的第一使用者的用藥路徑資訊的示意圖。請參照圖3，接續於圖2的實施例，在一實施例中，根據藥物的最早使用時間以及各種藥物在使用上最接近住院日的日期，處理器11可歸納出使用者X對於藥物A、B及C的用藥路徑為，使用者X依序在4月17日、4月22日及5月1日使用了藥物A、B及C。處理器11可將此用藥路徑資訊(即第一用藥路徑資訊)記錄於用藥資料庫101中。
須注意的是，根據不同的預設規則，處理器11還可以根據圖2呈現的用藥歷史記錄來歸納出使用者X對於藥物A、B及C的不同用藥路徑(包含藥物的使用日期改變及/或藥物的使用順序改變)。例如，在一實施例中，處理器11可歸納出使用者X對於藥物A、B及C的用藥路徑為，使用者X依序在4月12日、4月19日及4月26日使用了藥物A、B及C。或者，在一實施例中，處理器11可歸納出使用者X對於藥物A、B及C的用藥路徑為，使用者X依序在4月17日、5月1日及5月7日使用了藥物A、C及B。
在一實施例中，處理器11可根據用藥資料庫101中的資訊，獲得與圖3的使用者X具有相同的用藥路徑(即第一用藥路徑的)使用者(亦稱為第一使用者)的總人數(例如50人)。換言之，所述第一使用者包括依序使用了藥物A、B及C的每一個使用者。其中，對每個第一使用者來說，依序使用藥物A、B及C的日期可以不同。例如使用者X依序在4月17日、4月22日及5月1日使用了藥物A、B及C，而另一使用者T依序在1月5日、1月18日、1月27日使用了藥物A、B及C。使用者T亦可視為第一使用者，其與使用者X具有相同的用藥路徑。
在一實施例中，在獲得第一使用者後，處理器11可根據用藥資料庫101中的資訊，獲得在所述第一使用者中，在依序使用了藥物A、B及C的日期，同樣使用了完全相同的藥物A、B及C或者完全不同的藥物D、E及F的使用者(亦稱為第二使用者)的總人數(例如10人)。處理器11可將第二使用者在該些日期的用藥路徑資訊(即第二用藥路徑資訊)記錄於用藥資料庫101中。
圖4是根據本發明的一實施例所繪示的第二使用者的用藥路徑資訊的示意圖。請參照圖4，接續於圖3的實施例，假設在所述第一使用者中，某一個使用者(例如使用者T)除了在1月5日、1月18日、1月27日依序使用了藥物A、B及C之外，還同時在1月5日、1月18日、1月27日依序使用了藥物D、E及F。處理器11可將使用者T標註為第二使用者並將使用者T的用藥路徑資訊(即第二用藥路徑資訊)記錄於用藥資料庫101中。
須注意的是，在一實施例中，對於第二使用者的定義可以是更為放寬。例如，在一實施例中，以使用者X為例，假設藥物A、B及C的份量分別是3日份、5日份及3日份，則處理器11可將藥物A、B及C的使用日期分別放寬為4月17日至4月19日之間、4月22日至4月26日之間、及5月1日至5月3日之間。或者，以使用者T為例，假設藥物A、B及C的份量分別是5日份、3日份及3日份，則處理器11可將藥物A、B及C的使用日期分別放寬為1月5日至1月9日之間、1月18日至1月20日之間、及1月27日至1月29日之間。因此，在圖3的一實施例中，假設使用者X除了在4月17日、4月22日及5月1日(或者4月17日至4月19日之間、4月22日至4月26日之間、及5月1日至5月3日之間)依序使用了藥物A、B及C之外，還同時在4月17日至4月19日之間、4月22日至4月26日之間、及5月1日至5月3日之間依序使用了藥物D、E及F，則使用者X即符合第二使用者之定義。類似的，在圖4的一實施例中，假設使用者T在1月5日至1月9日之間、1月18日至1月20日之間、及1月27日至1月29日之間，除了依序使用了藥物A、B及C之外，還同時依序使用了藥物D、E及F，則使用者Y也符合第二使用者之定義。
在一實施例中，處理器11可根據所述第一使用者的總人數決定符合第一用藥路徑資訊的用藥人數，並根據所述第二使用者的總人數決定符合第二用藥路徑資訊的用藥人數。例如，假設所述第一使用者的總人數為50人，且所述第二使用者的總人數為10人，則處理器11可決定符合第一用藥路徑資訊的用藥人數為50人且符合第二用藥路徑資訊的用藥人數為10人。
在一實施例中，處理器11可根據符合第一用藥路徑資訊的用藥人數與符合第二用藥路徑資訊的用藥人數決定所述比例值，以反映符合第一用藥路徑資訊的用藥人數與符合第二用藥路徑資訊的用藥人數之間的重疊程度。例如，假設符合第一用藥路徑資訊的用藥人數為50人且符合第二用藥路徑資訊的用藥人數為10人，則處理器11可將此比例值決定為0.2(0.2=10/50)。
在一實施例中，假設所述門檻值為0.1，則處理器11可判定此比例值大於所述門檻值。因此，處理器11可判定第一用藥路徑資訊符合所述雜訊排除條件。爾後，此第一用藥路徑資訊將不會被用於建立、訓練或更新風險評估模型102。或者，在一實施例中，假設所述門檻值為0.3，則處理器11可判定此比例值不大於所述門檻值。因此，處理器11可判定第一用藥路徑資訊不符合所述雜訊排除條件。爾後，此第一用藥路徑資訊將可被用於建立、訓練或更新風險評估模型102。
圖5是根據本發明的一實施例所繪示的根據第一用藥路徑資訊、第二用藥路徑資訊及重疊用藥資訊的示意圖。請參照圖5，在本實施例中，是假設所述第一藥物組合中的藥物與所述第二藥物組合中的藥物完全相同。處理器11可將第一用藥路徑資訊(即用藥路徑P)、第二用藥路徑資訊(即用藥路徑CP)及對應的重疊用藥資訊(即重疊用藥比例)記載於資訊表格51中。
在本實施例中，是假設用藥路徑P為在特定日期(例如圖3與圖4的實施例中提及的日期)中依序使用了藥物A、B及C，而用藥路徑CP為在相同日期(例如圖3與圖4的實施例中提及的日期)中同樣使用了藥物A、B及C。但是，須注意的是，用藥路徑CP中對於藥物A、B及C的使用順序不同於用藥路徑P中對於藥物A、B及C的使用順序。
以資訊表格51的第一個欄位為例，用藥路徑P為依序使用了藥物A、B及C，而用藥路徑CP則為依序使用了藥物B、C及A，且用藥路徑P與用藥路徑CP的用藥人數之間的重疊程度可由比例值0.23來表示。也就是說，在此實施例中，假設符合用藥路徑P的第一使用者的總人數為100人，則同時符合用藥路徑P與CP的第二使用者的總人數約為23人，其佔比為0.23。依此類推，資訊表格51中各欄位的資訊可被建立並填寫。
在一實施例中，假設所述門檻值為0.24。在篩選所欲排除的用藥路徑時，比例值大於0.24的用藥路徑P相關的用藥路徑資訊可被排除。以圖5為例，用藥路徑P(A-＞B-＞C)與CP(A-＞C-＞B)的比例值0.25大於門檻值0.24，表示在曾經使用藥物A、B及C的使用者中，藥物A、B及C被交錯使用的比例很高，且使用者對於藥物A、B及C的使用順序相當不一致。因此，即便最終某些使用者因為使用了藥物A、B及C而導致住院，但仍無法確定藥物A、B及C的哪一種使用順序會對使用者之住院產生較明顯的影響。因此，在一實施例中，藥物A、B及C的使用順序(即用藥路徑P(A-＞B-＞C))對於風險評估模型102而言，可以被視為是雜訊而被處理器11排除(即不用於建立、訓練或更新風險評估模型102)。
圖6是根據本發明的一實施例所繪示的根據第一用藥路徑資訊、第二用藥路徑資訊及重疊用藥資訊的示意圖。請參照圖6，在本實施例中，是假設所述第一藥物組合中的藥物與所述第二藥物組合中的藥物完全不同。處理器11可將第一用藥路徑資訊(即用藥路徑P)、第二用藥路徑資訊(即用藥路徑CP)及對應的重疊用藥資訊(即重疊用藥比例)記載於資訊表格61中。
在本實施例中，是假設用藥路徑P為在特定日期(例如圖3與圖4的實施例中提及的日期)中依序使用了藥物A、B及C，而用藥路徑CP為在相同日期(例如圖3與圖4的實施例中提及的日期)中更進一步使用了藥物D、E及F(或藥物J、K及L)。藥物A、B及C完全不同於藥物D、E及F(或藥物J、K及L)。
以資訊表格61的第一個欄位為例，用藥路徑P為依序使用了藥物A、B及C，而用藥路徑CP則為符合用藥路徑P的使用者同時還依序使用了藥物D、E及F。用藥路徑P與用藥路徑CP的用藥人數之間的重疊程度可由比例值0.14來表示。也就是說，在此實施例中，假設符合用藥路徑P的第一使用者的總人數為100人，則同時符合用藥路徑P與CP的第二使用者的總人數約為14人，其佔比為0.14。依此類推，資訊表格61中各欄位的資訊可被建立並填寫。
在一實施例中，假設所述門檻值為0.18。在篩選所欲排除的用藥路徑時，比例值大於0.18的用藥路徑P相關的用藥路徑資訊可被排除。以圖6為例，用藥路徑P(A-＞B-＞C)與CP(E-＞D-＞F)的比例值0.19大於門檻值0.18，表示在曾經使用藥物A、B及C的使用者中，高於18%的使用者也同時在使用藥物D、E及F。因此，即便最終某些使用者因為使用了藥物A、B及C以及藥物D、E及F而導致住院，但仍無法確定藥物A、B、C、D、E及F中的哪些藥物或其使用順序會對使用者之住院產生較明顯的影響。因此，在一實施例中，藥物A、B及C的使用順序(即用藥路徑P(A-＞B-＞C))對於風險評估模型102而言，可以被視為是雜訊而被處理器11排除(即不用於建立、訓練或更新風險評估模型102)。
須注意的是，在圖5及/或圖6的另一實施例中，若與用藥路徑P有關的比例值皆不大於所述門檻值(例如0.4)，則後續在建立或更新風險評估模型102時，處理器11可不排除與用藥路徑P有關的用藥路徑資訊(即可將與用藥路徑P有關的用藥路徑資訊用於建立、訓練或更新風險評估模型102)。
圖7是根據本發明的一實施例所繪示的用藥風險評估方法的流程圖。請參照圖7，在步驟S701中，獲得用藥資料庫中與第一藥物組合有關的第一用藥路徑資訊。在步驟S702中，獲得所述用藥資料庫中與第二藥物組合有關的第二用藥路徑資訊。在步驟S703中，獲得所述第一用藥路徑資訊與所述第二用藥路徑資訊之間的重疊用藥資訊。在步驟S704中，判斷所述重疊用藥資訊是否符合雜訊排除條件。若所述重疊用藥資訊符合所述雜訊排除條件，在步驟S705中，排除所述第一用藥路徑資訊，並且在步驟S706中，根據所述用藥資料庫中的其餘用藥路徑資訊(即不包含所述第一用藥路徑資訊的其餘用藥路徑資訊)，建立風險評估模型，其中所述風險評估模型用以評估所述用藥資料庫中的至少一藥物的使用風險。或者，在步驟S704中，若判定所述重疊用藥資訊不符合雜訊排除條件，則略過步驟S705並進入步驟S706。
然而，圖7中各步驟已詳細說明如上，在此便不再贅述。值得注意的是，圖7中各步驟可以實作為多個程式碼或是電路，本發明不加以限制。此外，圖7的方法可以搭配以上實施例使用，也可以單獨使用，本發明不加以限制。
綜上所述，本發明的實施例提出的用藥風險評估方法與用藥風險評估裝置，可在建立、訓練或更新藥物的風險評估模型的過程中，先將可能引發雜訊或不確定性的用藥路徑資訊排除。藉此，可提高所建立的風險評估模型的可靠度。
雖然本揭露已以實施例揭露如上，然其並非用以限定本揭露，任何所屬技術領域中具有通常知識者，在不脫離本揭露的精神和範圍內，當可作些許的更動與潤飾，故本揭露的保護範圍當視後附的申請專利範圍所界定者為準。
10:用藥風險評估裝置 11:處理器 12:儲存電路 101:用藥資料庫 102:風險評估模型 51, 61:資訊表格 S701~S706:步驟
圖1是根據本發明的一實施例所繪示的用藥風險評估裝置的功能方塊圖。 圖2是根據本發明的一實施例所繪示的第一使用者的用藥歷史記錄的示意圖。 圖3是根據本發明的一實施例所繪示的第一使用者的用藥路徑資訊的示意圖。 圖4是根據本發明的一實施例所繪示的第二使用者的用藥路徑資訊的示意圖。 圖5是根據本發明的一實施例所繪示的根據第一用藥路徑資訊、第二用藥路徑資訊及重疊用藥資訊的示意圖。 圖6是根據本發明的一實施例所繪示的根據第一用藥路徑資訊、第二用藥路徑資訊及重疊用藥資訊的示意圖。 圖7是根據本發明的一實施例所繪示的用藥風險評估方法的流程圖。
S701~S706:步驟

Claims (10)

  1. 一種用藥風險評估方法，包括：獲得一用藥資料庫中與一第一藥物組合有關的一第一用藥路徑資訊；獲得該用藥資料庫中與一第二藥物組合有關的一第二用藥路徑資訊；獲得該第一用藥路徑資訊與該第二用藥路徑資訊之間的一重疊用藥資訊；判斷該重疊用藥資訊是否符合一雜訊排除條件；以及若該重疊用藥資訊符合該雜訊排除條件，在不考慮該第一用藥路徑資訊的前提下，根據該用藥資料庫中的其餘用藥路徑資訊，建立一風險評估模型，其中該風險評估模型用以評估該用藥資料庫中的至少一藥物的使用風險。
  2. 如請求項1所述的用藥風險評估方法，其中該第一藥物組合中的藥物與該第二藥物組合中的藥物完全相同。
  3. 如請求項1所述的用藥風險評估方法，其中該第一藥物組合中的藥物與該第二藥物組合中的藥物完全不同。
  4. 如請求項1所述的用藥風險評估方法，其中該重疊用藥資訊反映符合該第一用藥路徑資訊的一用藥人數與符合該第二用藥路徑資訊的一用藥人數之間的一重疊程度。
  5. 如請求項4所述的用藥風險評估方法，其中判斷該重疊用藥資訊是否符合該雜訊排除條件的步驟包括：根據該重疊用藥資訊獲得一比例值，其中該比例值反映該重疊程度；判斷該比例值是否大於一門檻值；若該比例值大於該門檻值，判定該重疊用藥資訊符合該雜訊排除條件；以及若該比例值不大於該門檻值，判定該重疊用藥資訊不符合該雜訊排除條件。
  6. 一種用藥風險評估裝置，包括：一儲存電路，用以儲存一用藥資料庫；以及一處理器，耦接至該儲存電路，其中該處理器用以：獲得該用藥資料庫中與一第一藥物組合有關的一第一用藥路徑資訊；獲得該用藥資料庫中與一第二藥物組合有關的一第二用藥路徑資訊；獲得該第一用藥路徑資訊與該第二用藥路徑資訊之間的一重疊用藥資訊；判斷該重疊用藥資訊是否符合一雜訊排除條件；以及若該重疊用藥資訊符合該雜訊排除條件，在不考慮該第一用藥路徑資訊的前提下，根據該用藥資料庫中的其餘用藥路徑 資訊，建立一風險評估模型，其中該風險評估模型用以評估該用藥資料庫中的至少一藥物的使用風險。
  7. 如請求項6所述的用藥風險評估裝置，其中該第一藥物組合中的藥物與該第二藥物組合中的藥物完全相同。
  8. 如請求項6所述的用藥風險評估裝置，其中該第一藥物組合中的藥物與該第二藥物組合中的藥物完全不同。
  9. 如請求項6所述的用藥風險評估裝置，其中該重疊用藥資訊反映符合該第一用藥路徑資訊的一用藥人數與符合該第二用藥路徑資訊的一用藥人數之間的一重疊程度。
  10. 如請求項9所述的用藥風險評估裝置，其中判斷該重疊用藥資訊是否符合該雜訊排除條件的操作包括：根據該重疊用藥資訊獲得一比例值，其中該比例值反映該重疊程度；判斷該比例值是否大於一門檻值；若該比例值大於該門檻值，判定該重疊用藥資訊符合該雜訊排除條件；以及若該比例值不大於該門檻值，判定該重疊用藥資訊不符合該雜訊排除條件。
TW110107672A 2021-03-04 2021-03-04 用藥風險評估方法與用藥風險評估裝置 TWI811641B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
TW110107672A TWI811641B (zh) 2021-03-04 2021-03-04 用藥風險評估方法與用藥風險評估裝置
EP21168676.1A EP4064286A1 (en) 2021-03-04 2021-04-15 Medication risk evaluation method and medication risk evaluation device
US17/367,420 US20220285029A1 (en) 2021-03-04 2021-07-05 Medication risk evaluation method and medication risk evaluation device
CN202110870589.0A CN115019930A (zh) 2021-03-04 2021-07-30 用药风险评估方法与用药风险评估装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110107672A TWI811641B (zh) 2021-03-04 2021-03-04 用藥風險評估方法與用藥風險評估裝置

Publications (2)

Publication Number Publication Date
TW202236295A TW202236295A (zh) 2022-09-16
TWI811641B true TWI811641B (zh) 2023-08-11

Family

ID=75562543

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110107672A TWI811641B (zh) 2021-03-04 2021-03-04 用藥風險評估方法與用藥風險評估裝置

Country Status (4)

Country Link
US (1) US20220285029A1 (zh)
EP (1) EP4064286A1 (zh)
CN (1) CN115019930A (zh)
TW (1) TWI811641B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6994249B2 (en) * 2003-05-27 2006-02-07 Cardinal Health Technologies, Llc System and method for drug management utilizing transferable labels
WO2011107569A1 (de) * 2010-03-05 2011-09-09 B. Braun Melsungen Ag System und verfahren zur verabreichung von medikamenten für einen patienten
TW201915799A (zh) * 2017-09-22 2019-04-16 長庚醫療財團法人林口長庚紀念醫院 偵測藥物相互影響產生副作用之方法及其系統
CN111933247A (zh) * 2020-09-23 2020-11-13 曹庆恒 一种药物相互作用智能管理的方法、系统和设备

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5758095A (en) * 1995-02-24 1998-05-26 Albaum; David Interactive medication ordering system
US20080015893A1 (en) * 2006-07-17 2008-01-17 Walgreen Co. Identification of Inappropriate Medications In A Medication Therapy Regimen
US8478605B2 (en) * 2006-07-17 2013-07-02 Walgreen Co. Appropriateness of a medication therapy regimen
US20080126131A1 (en) * 2006-07-17 2008-05-29 Walgreen Co. Predictive Modeling And Risk Stratification Of A Medication Therapy Regimen
JP2014071592A (ja) * 2012-09-28 2014-04-21 Fujifilm Corp 投薬効果予測システム及びその制御方法、並びに制御プログラム
US20140316797A1 (en) * 2013-04-19 2014-10-23 Anne Marie Biernacki Methods and system for evaluating medication regimen using risk assessment and reconciliation
US20140358576A1 (en) * 2013-05-15 2014-12-04 Adverse Events, Inc. System and method for surveillance and evaluation of safety risks associated with medical interventions
US20210280317A1 (en) * 2014-10-07 2021-09-09 AlignCare Services, LLC. System and Method for Improving Health Care Management and Compliance
US20160224754A1 (en) * 2015-01-30 2016-08-04 Elly Hann Systems and methods for an interactive assessment and display of drug toxicity risks
US20160267248A1 (en) * 2015-03-13 2016-09-15 Wal-Mart Stores, Inc. Medicine administration scheduling
US11434534B2 (en) * 2016-09-08 2022-09-06 Curematch, Inc. Optimizing therapeutic options in personalized medicine
US11164678B2 (en) * 2018-03-06 2021-11-02 International Business Machines Corporation Finding precise causal multi-drug-drug interactions for adverse drug reaction analysis
US12119092B2 (en) * 2018-06-25 2024-10-15 Koninklijke Philips N.V. Perioperative education and engagement of surgical patients
US20220013238A1 (en) * 2020-06-29 2022-01-13 University Of Maryland, Baltimore County Systems and methods for determining indicators of risk of patients to avoidable healthcare events and presentation of the same
US11127506B1 (en) * 2020-08-05 2021-09-21 Vignet Incorporated Digital health tools to predict and prevent disease transmission
CN112233765A (zh) * 2020-10-18 2021-01-15 曹庆恒 一种重复用药智能分析的方法、系统和设备
EP4068295B1 (en) * 2021-03-29 2025-04-30 Siemens Healthineers AG Clinical decision support system for estimating drug-related treatment optimization concerning inflammatory diseases

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6994249B2 (en) * 2003-05-27 2006-02-07 Cardinal Health Technologies, Llc System and method for drug management utilizing transferable labels
WO2011107569A1 (de) * 2010-03-05 2011-09-09 B. Braun Melsungen Ag System und verfahren zur verabreichung von medikamenten für einen patienten
TW201915799A (zh) * 2017-09-22 2019-04-16 長庚醫療財團法人林口長庚紀念醫院 偵測藥物相互影響產生副作用之方法及其系統
CN111933247A (zh) * 2020-09-23 2020-11-13 曹庆恒 一种药物相互作用智能管理的方法、系统和设备

Also Published As

Publication number Publication date
CN115019930A (zh) 2022-09-06
TW202236295A (zh) 2022-09-16
US20220285029A1 (en) 2022-09-08
EP4064286A1 (en) 2022-09-28

Similar Documents

Publication Publication Date Title
Clement et al. Patient access to chronic medications during the Covid-19 pandemic: evidence from a comprehensive dataset of US insurance claims
Karve et al. Prospective validation of eight different adherence measures for use with administrative claims data among patients with schizophrenia
Tully et al. Evaluation of medication errors at the transition of care from an ICU to non-ICU location
Meier et al. Adverse drug events in patients admitted to an emergency department: an analysis of direct costs
Montes de Oca et al. Adherence to inhaled therapies of COPD patients from seven Latin American countries: The LASSYC study
Neely et al. Are vancomycin trough concentrations adequate for optimal dosing?
Yoon et al. Detection of adverse drug reaction signals using an electronic health records database: Comparison of the Laboratory Extreme Abnormality Ratio (CLEAR) algorithm
Belden et al. Dynamic electronic health record note prototype: seeing more by showing less
Lisby et al. The effect of systematic medication review in elderly patients admitted to an acute ward of internal medicine
Sloan et al. Accuracy of physician estimates of out-of-pocket costs for medication filling
Bright Measuring medication adherence in patients with schizophrenia: an integrative review
US20210019296A1 (en) System and method for data de-duplication and augmentation
Angel et al. Adherence to oral antiretroviral therapy in Canada, 2010–2020
Lai et al. Variables associated with completeness of medical record documentation in the emergency department
Andrus Student pharmacist initiated medication reconciliation in the outpatient setting
Andrus et al. A retrospective review of student pharmacist medication reconciliation activities in an outpatient family medicine center
JP6741321B1 (ja) 薬剤例検索装置、薬剤例検索方法及び薬剤例検索プログラム
Daouphars et al. Preliminary validation of self‐assessment tool to measure imatinib adherence in patients with chronic myeloid leukemia
Ma et al. Assessing the population-level correlation of medication regimen complexity and adherence indices using electronic health records and insurance claims
Hur et al. An automated fast healthcare interoperability resources-based 12-lead electrocardiogram mobile alert system for suspected acute coronary syndrome
CN108920564B (zh) 基于区块链的人才管理方法及其终端
Huiskes et al. Association between healthcare practitioners' beliefs about statins and patients' beliefs and adherence
TWI811641B (zh) 用藥風險評估方法與用藥風險評估裝置
Poulsen et al. Developing a framework to infer opioid use disorder severity from clinical notes to inform natural language processing methods: characterization study
Kip et al. Costs of Hospital‐Associated Care for Patients With Juvenile Idiopathic Arthritis in the Dutch Health Care System