[論文レビュー] A Framework for Assurance of Medication Safety using Machine Learning

Yan Jia, Tom Lawton+3 more|arXiv (Cornell University)|Jan 11, 2021

Quality and Safety in Healthcare参考文献 70被引用数 9

ひとこと要約

本論文は、機械学習とセーフティ工学を統合したハイブリッドフレームワークを提案し、HAZOPに基づく分析（SHARD）とベイジアンネットワーク構造学習、プロセスマイニングを組み合わせることで、薬物安全を能動的に確保する。胸部外科学に適用された結果、予測された薬物誤りと実際の誤りの不一致が特定され、複雑な医療システムにおける患者安全リスクの動的管理の可能性が示された。

ABSTRACT

Medication errors continue to be the leading cause of avoidable patient harm in hospitals. This paper sets out a framework to assure medication safety that combines machine learning and safety engineering methods. It uses safety analysis to proactively identify potential causes of medication error, based on expert opinion. As healthcare is now data rich, it is possible to augment safety analysis with machine learning to discover actual causes of medication error from the data, and to identify where they deviate from what was predicted in the safety analysis. Combining these two views has the potential to enable the risk of medication errors to be managed proactively and dynamically. We apply the framework to a case study involving thoracic surgery, e.g. oesophagectomy, where errors in giving beta-blockers can be critical to control atrial fibrillation. This case study combines a HAZOP-based safety analysis method known as SHARD with Bayesian network structure learning and process mining to produce the analysis results, showing the potential of the framework for ensuring patient safety, and for transforming the way that safety is managed in complex healthcare environments.

研究の動機と目的

• 病院における避けるべき患者被害の主な要因である薬物誤りに対処すること。
• 機械学習とセーフティ工学手法を統合することで、動的でデータ駆動型の薬物安全確保アプローチを構築すること。
• 専門家による分析で予測された誤り原因と、臨床データから特定された実際の誤りパターンとのギャップを同定すること。
• セーフティデータと運用データの統合的分析を通じて、複雑な医療環境における能動的かつ適応的なリスク管理を可能にすること。
• 具体的には、β遮断薬投与を伴う胸部外科学の実臨床状況において、フレームワークの実用性と価値を示すこと。

提案手法

• フレームワークは、特にβ遮断薬使用に関連する薬物誤りの潜在的要因を体系的に分析するため、HAZOPに基づく手法であるSHARDを適用する。
• 機械学習技術として、特にベイジアンネットワーク構造学習を用い、電子歴史記録データから因果関係を推定する。
• プロセスマイニングを活用して、病院のデータログから実際の薬物投与プロセスを抽出・分析する。
• セーフティ分析の結果とデータ駆動型機械学習分析の結果を比較し、予測された誤りパターンと実際の誤りパターンの不一致を特定する。
• 専門家主導の危険要因同定とデータ駆動型の発見を統合することで、安全確保の強度を高める。
• これらの手法の統合により、動的で証拠に基づく薬物安全リスクのモニタリングが可能になる。

実験結果

リサーチクエスチョン

• RQ1 機械学習技術をどのように効果的にセーフティ工学手法と組み合わせ、薬物安全を向上させることができるか？
• RQ2 専門家による分析で予測された薬物誤り原因と、臨床データから同定された実際の原因との間に、どのような不一致が存在するか？
• RQ3 データ駆動型機械学習分析は、複雑な外科学的環境における薬物誤りの検出と管理をどの程度向上させることができるか？
• RQ4 ベイジアンネットワークとプロセスマイニングをどのように活用して、現実の薬物投与プロセスとその障害点をモデル化・可視化できるか？
• RQ5 セーフティ分析とデータ分析の統合は、医療分野におけるより能動的かつ適応的なリスク管理を可能にするか？

主な発見

• フレームワークは、胸部外科学の事例研究において、予測された薬物誤り原因と実際の原因との間で顕著な不一致を特定した。
• 機械学習分析により、専門家主導のHAZOP分析では捉えられていなかった、β遮断薬投与における以前に想定されていなかった障害パターンが明らかになった。
• SHARDとベイジアンネットワーク学習、プロセスマイニングの統合により、単独で用いた場合よりも、薬物安全リスクの包括的視認が可能になった。
• フレームワークは、臨床現場における従来のセーフティ工学的手法を検証・強化するためのデータ駆動型手法の実用性を示した。
• 結果から、専門家知識とデータ分析を統合することで、薬物安全リスクのより正確かつ迅速な同定が可能になることが示唆された。
• このアプローチにより、後向き分析ではなく、能動的な介入を支援する動的かつ継続的な薬物安全モニタリングが可能になった。