自動化醫學人工智慧用藥安全系統之跨國確效研究

研究背景:
當今使用的大多數用藥安全警示系統都是基於規則式的邏輯架構建立;然而，這些警示系統的準確性往往不盡理想，進而導致警示疲勞。為了解決這個問題，先前研究人員構建了基於台灣健保資料庫的人工智慧機器學習用 藥錯誤警示系統。不過，這種基於機器學習的用藥錯誤警示系統是否具備跨國可應用性，目前尚未有定論。

研究目的:
本研究檢驗了人工智慧機器學習用藥錯誤警示系統的跨國可應用性，以及聯盟式學習方法是否可以進一步提高該機器模型的準確性。

研究材料與方法:
研究材料包括來自美國兩個大型醫療中心的 667,572 份的門診處方籤。我 們的機器學習模型用於構建初始模型、當地模型和混合模型。 初始模型是 基於台灣健保資料庫的 13 億筆處方籤開發完成。我們另外使用聯盟式學習 策略訓練了混合模型。兩名的醫師評估者將測試處方集分類為可解釋或未 能解釋，進而用於評估模型性能。

結果:
在將處方分類為可解釋或未能解釋方面，兩位醫師評估者之間的一致性達 到顯著水準。閾值範圍為 0.5 到 1.5，初始模型的警示準確度範圍為 75% 到 78%，當地模型為 76% 到 78%，混合模型為 79% 到 86%。

結論:
該人工智慧機器學習模型用藥錯誤警示系統在美國數據集中站展現了良好 的跨國可應用性。透過聯盟式學習結合當地醫院的數據集可以進一步提高 該模型的準確性。