Από τον Χαράλαμπο Πετρόχειλο

Τα σφάλματα που σχετίζονται με τη διαδικασία συνταγογράφησης φαρμάκων είναι ένα σημαντικό πρόβλημα δημόσιας υγείας που μπορεί να προληφθεί. Η ευρεία ανάπτυξη ηλεκτρονικών μητρώων υγείας και ηλεκτρονικών συστημάτων εισαγωγής παραγγελιών έχει μειώσει σε μεγάλο βαθμό τα σφάλματα που σχετίζονται με τη συνταγογράφηση φαρμάκων και την αναποτελεσματικότητα στο περιβάλλον των ασθενών. Από την έρευνα προκύπτει ωστόσο, ότι αυτή η εξέλιξη έχει επίσης εισαγάγει νέες πηγές σφαλμάτων που σχετίζονται με την αλληλεπίδραση μεταξύ του παρόχου και της πλατφόρμας.

Ενώ, για τον έλεγχο των σφαλμάτων που έχουν να κάνουν με τη συνταγογράφηση φαρμάκων, η μη αυτόματη αναθεώρηση των εισερχόμενων παραγγελιών φαρμακείου είναι το «χρυσό πρότυπο» για τη βελτίωση της χρήσης των φαρμάκων και την ελαχιστοποίηση των σφαλμάτων συνταγογράφησης, η μη αυτόματη αναθεώρηση των παραγγελιών φαρμάκων από κλινικούς φαρμακοποιούς σε νοσοκομεία και η ηλεκτρονική παραγγελία φαρμάκων από γιατρούς μπορεί να επηρεαστεί από παράγοντες όπως η κούραση, που δυνητικά οδηγεί σε ιατρικά σφάλματα.

Για να ξεκινήσουν να αντιμετωπίζονται αυτά τα λάθη και οι αναποτελεσματικότητες, μια ομάδα με επικεφαλής την Martina Balestra, πρώην μεταδιδακτορική και επίκουρη καθηγήτρια στο Center for Urban Science and Progress (CUSP) στο  NYU Tandon School of Engineering, ανέπτυξαν ένα μοντέλο μηχανικής μάθησης για τον εντοπισμό παραγγελιών φαρμάκων που απαιτούν παρέμβαση στο φαρμακείο, χρησιμοποιώντας μόνο τη συμπεριφορά του παρόχου και άλλα χαρακτηριστικά που μπορεί να αντικατοπτρίζουν αυτές τις νέες πηγές ανεπάρκειας, και όχι τα ιατρικά αρχεία των ασθενών.

Η εργασία τους με τίτλο «Predicting inpatient pharmacy order interventions using provider action data», που δημοσιεύτηκε πρόσφατα στο JAMIA Open, είχε ως δείγμα για τη μελέτη ένα σύστημα μεγάλων μητροπολιτικών νοσοκομείων. Η ομάδα συνέλεξε δεδομένα σχετικά με τις ενέργειες των παρόχων στο σύστημα EHR και τις παραγγελίες φαρμακείων. Με αυτό το σύνολο δεδομένων, οι ερευνητές κατασκεύασαν στη συνέχεια ένα μοντέλο ταξινόμησης βασισμένο στη μηχανική μάθηση για να εντοπίσουν παραγγελίες που είναι πιο πιθανό να απαιτούν παρέμβαση φαρμακοποιού.

Ενώ τα προηγούμενα μοντέλα που προβλέπουν σφάλματα παραγγελίας φαρμάκων προσλαμβάνουν δεδομένα από τα ιατρικά αρχεία ασθενών, το μοντέλο ταξινόμησης που αναπτύχθηκε από την ομάδα εστιάζει στα δεδομένα των κλινικών γιατρών. Ως εκ τούτου, ο κίνδυνος για το απόρρητο και την ασφάλεια των δεδομένων των ασθενών μειώνεται. Με τον κατάλληλο συντονισμό, αυτό και παρόμοια μοντέλα θα μπορούσαν να μειώσουν σημαντικά τον φόρτο εργασίας των φαρμακοποιών και να αυξήσουν την ασφάλεια των ασθενών.