[论文解读] 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 9

一句话总结

本文提出了一种混合框架，将机器学习与安全工程相结合，通过整合基于HAZOP的分析（SHARD）、贝叶斯网络结构学习和流程挖掘，主动确保用药安全。该框架在胸外科中应用，识别出预测的用药错误原因与实际用药错误之间的差异，展示了其在复杂医疗系统中动态管理患者安全风险的潜力。

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.

研究动机与目标

• 解决用药错误作为医院中可避免患者伤害的主要原因。
• 通过整合机器学习与安全工程方法，开发一种动态、数据驱动的用药安全保证方法。
• 识别专家分析所预测的错误原因与临床数据中实际识别出的错误模式之间的差距。
• 通过整合安全与运营数据的分析，实现在复杂医疗环境中主动且自适应的风险管理。
• 在真实临床环境中（特别是涉及β-阻滞剂给药的胸外科）证明该框架的可行性与价值。

提出的方法

• 该框架应用SHARD（一种基于HAZOP的方法）系统分析胸外科中用药错误的潜在原因，特别是与β-阻滞剂使用相关的问题。
• 采用机器学习技术——特别是贝叶斯网络结构学习——从电子健康记录数据中推断因果关系。
• 应用流程挖掘技术，从医院数据日志中提取并分析实际的用药管理流程。
• 将安全分析结果与数据驱动的机器学习分析结果进行比较，识别预测与实际错误模式之间的差异。
• 结合专家驱动的隐患识别与数据驱动的发现，以增强安全保证的稳健性。
• 这些方法的整合使得能够实现动态、基于证据的用药安全风险监控。

实验结果

研究问题

• RQ1 如何有效结合机器学习技术与安全工程方法，以提升用药安全？
• RQ2 从专家分析中预测的用药错误原因与从临床数据中实际识别出的原因之间存在何种差异？
• RQ3 在复杂的外科环境中，数据驱动的机器学习分析在多大程度上能够增强用药错误的检测与管理？
• RQ4 贝叶斯网络与流程挖掘如何用于建模和可视化现实世界中的用药管理流程及其故障点？
• RQ5 将安全分析与数据分析相结合，能否实现医疗领域中更主动、更自适应的风险管理？

主要发现

• 该框架在胸外科案例研究中成功识别出预测与实际用药错误原因之间的显著差异。
• 机器学习分析揭示了专家驱动的HAZOP分析未能捕捉到的、与β-阻滞剂给药相关的先前未预料到的故障模式。
• 将SHARD与贝叶斯网络学习及流程挖掘相结合，提供了比单一方法更全面的用药安全风险视图。
• 该框架证明了利用数据驱动方法验证和增强传统安全工程方法在临床环境中的可行性。
• 结果表明，将专家知识与数据分析相结合，可实现对用药安全风险更准确、更及时的识别。
• 该方法支持对用药安全进行动态、持续的监控，促进主动干预，而非仅依赖回顾性分析。