Mesterséges intelligenciával támogatott gyógyszerelési kockázatelemző webalkalmazás (AUGMERIS) fejlesztése és validálása

(Másodközlés)

Absztrakt

Bevezetés: A klinikai gyógyszerészek egyik fő feladata a magas kockázatú gyógyszeres terápiák azonosítása. A dán Medication Risk Score (MERIS) algoritmus hatékony eszköz erre, ám automatizált alkalmazását nehezíti az elektronikus egészségügyi nyilvántartásokban (EHR) tárolt terápiás adatok strukturálatlansága. Célunk egy olyan webalkalmazás (AUGMERIS) fejlesztése volt, amely hibrid szövegfeldolgozással teszi lehetővé a kockázatbecslést.

Módszer: Python környezetben fejlesztettünk egy hibrid modellt, amely szigorú szabályalapú algoritmusokat és a GPT (Generative Pre-trained Transformer) technológiát ötvözi a gyógyszernevek felismerésére. A rendszert hazai, gyenge minőségű kórházi adatokon (N=2999) és egy globálisan elérhető webalkalmazás (N=383) adataival teszteltük, valamint összevetettük szakértői értékelésekkel.

Eredmények: A validációs vizsgálat során a rendszer által számolt pontszámok és a klinikai gyógyszerészek értékelései között közepes erősségű, szignifikáns korrelációt találtunk (Spearman r=0,463 és 0,496; p<0,05). A globális tesztelés során a gyógyszerfelismerések 25,8%-ában volt szükség a mesterséges intelligencia bevonására, míg a hazai adatoknál ez az arány 10,3% volt.

Következtetések: Az AUGMERIS alkalmazás hatékonyan képes feldolgozni a strukturálatlan terápiás adatokat, támogatva a kockázatalapú betegszűrést, azonban a mesterséges intelligencia integrációja elengedhetetlen a nemzetközi és heterogén adatforrások kezeléséhez.