مدل‌سازی سامانه توصیه‌گر معنایی تجویز پزشک و کشف تداخلات دارویی

هدف: تجویز داروهای مناسب برای بیماران از اساسی ترین پروسه های درمان آن ها است و نیازمند تصمیم گیری دقیق بر اساس شرایط فعلی بیمار و سوابق و علائم وی می باشد. در بسیاری از موارد ممکن است بیماران بیش از یک دارو نیاز داشته یا علاوه بر داشتن بیماری قبلی و دریافت داروی آن، برای بیماری جدید نیاز به داروهای جدید داشته باشند که چنین شرایطی امکان ایجاد خطای پزشکی در تجویز دارو و بروز اثرات سوء مصرف دارویی(ade)(مانند تداخلات دارویی) را برای بیمار افزایش می دهد.مواد و روش ها: در این مقاله مدل سازی سامانه ی توصیه گر معنایی تجویز پزشک و کشف تداخلات داروئی ارائه شده است. پیش تر نیازمندی های سامانه استخراج و به تفصیل شرح داده شده و در این مقاله، بر اساس نیازمندی های استخراج شده به مدل سازی سامانه با استفاده از زبان یکپارچه مدلسازی uml2.0 پرداخته شده است. جهت ارزیابی کارکردهای توصیه و کشف adeها (تداخلات) اقدام به توسعه نمونه آزمایشگاهی با استفاده از زبان java شد و هم چنین مجموعه ای از قواعد جهت استدلال و کشف تداخلات و adeها گردآوری شد.یافته ها: نتایج ارزیابی عملکرد سامانه برای کارکردهای کشف اثرات سوء مصرف داروها و توصیه داروئی نشان دهنده ی بهبود عملکرد رویکرد پیشنهادی به میزان 9.25 و 11.3 درصد در معیار دقت، 29 و 60.6 درصد در معیار فراخوانی (به ترتیب رویکردهای کشف اثرات سوء و توصیه داروئی) می باشد.نتیجه گیری: استفاده از این سامانه به عنوان یک مدخل ورود الکترونیکی دستورات پزشک می تواند علاوه بر کمک به پزشکان جهت تجویز دقیق تر نسخه، مخاطرات موجود علیه سلامتی بیماران که ناشی از خطاهای پزشکی در مرحله تجویز دارو است را کاهش دهد.

Modeling a semantic recommender system for medical prescriptions and drug interaction detection

Introduction: The administration of appropriate drugs to patients is one of the most important processes of treatment and requires careful decisionmaking basedon the current conditions of the patient and its history and symptoms. In many cases, patients may require more than one drug, or in addition to having a previous illness and receiving the drug, they need new drugs for the new illness, which may increase medical errors in the administration of the drug and the adverse drug events(ADE) such as drug interactions for the patient.Materials and Methods: In this article, the stages of designing and describing the requirements and the modeling of the ontologybased semantic recommender system of the prescribing physician and the discovery of the ADEs were presented. First, the requirements of the system were extracted and described in detail and then, based on the extracted requirements, the modeling of the system using the Unified Modeling Language of UML2.0 was discussed. Then, according to the extracted requirements for the discovery of ADEs, a proper ontology was designed for the system and implemented by Protégé software. In order to evaluate the functions of recommendation and discovering ADEs (interactions), a prototype was developed using Java language, and a collection of rules for reasoning and discovering interactions and ADEs were gathered.Results: The results of the system performance evaluation for the functions of detecting ADEs and medication recommendation suggests improvement of the proposed approach to 9.25% and 11.3% in the precision criterion, 29% and 60.6% in the recall, and 26% (respectively, approaches to the detection of ADEs and drug recommendations).Conclusion: The use of this system as a computerized physician ordering entry can, in addition to helping physicians to prescribe a more accurate prescription, reduce the risks to the health of patients resulting from medical errors in the prescribing phase.