Examinando por Materia "Medication Errors"

Mostrando 1 - 1 de 1
  • Miniatura
    PublicaciónDesconocido
    Detección de errores de medicación durante la prescripción utilizando técnicas de machine learning
    (Universidad EIA, 2024) Komaromy Cuellar, Alejandro; Camacho Cogollo, Javier Enrique
    RESUMEN: Los errores de medicación (EM) pueden ocurrir en cualquiera de las etapas del uso de medicamentos: prescripción, validación, dispensación o administración. Son clasificados como un problema de salud pública a nivel global por la Organización Mundial de la Salud (OMS). Se estima que el 6% de las hospitalizaciones en el mundo son causadas por errores de medicación y son responsables de causar la muerte de 1 de cada 131 pacientes ambulatorios y 1 de cada 854 pacientes que permanecen hospitalizados. Actualmente, los métodos para abordar estos problemas incluyen la implementación de farmacéuticos clínicos apoyados por sistemas de soporte para la decisión clínica (CDSS). Sin embargo, debido al alto volumen de prescripciones que se realizan diariamente en una institución de salud, es normal que ocurran errores humanos. Además, se ha observado que los CDSS implementados generan una gran cantidad de alertas que carecen de relevancia clínica, generando así "ruido" y obstaculizando el proceso de revisión. Para llevar a cabo el presente trabajo, se recuperaron las historias clínicas de una institución de salud local desde 2017 hasta 2022. Estas historias contenían información demográfica del paciente, el tipo de médico y el contenido de la orden. Con esta información, se construyó una base de datos para entrenar y comparar cuatro modelos de aprendizaje automático (KNN, Árbol de decisiones con Gradient Boosting, Red Neuronal y Bosques Aleatorios). El rendimiento de los modelos se evaluó mediante el área bajo la curva Receiver Operating Characteristic (AUROC), el valor-F y la precisión. El conjunto de datos estaba compuesto por 21,498,505 prescripciones de medicamentos, de las cuales solo 1,802,268 se incluyeron en el trabajo. Los dos mejores algoritmos para predecir los EM resultaron ser KNN; con precisión de 0.98, valor-F de 0.97 y AUROC de 0.65, y la red neuronal con precisión de 0.77, valor-F de 0.78 y AUROC de 0.77, mientras que el modelo con peor desempeño fue el bosque aleatorio precisión de 0.96, valor-F de 0.26 y AUROC de 0.94. Los modelos de aprendizaje automático para la predicción de EM muestran ser eficaces para reducir la carga de trabajo de los farmacéuticos al revisar manualmente las prescripciones. Además, ayudan a identificar y comprender mejor los factores que pueden generar errores de medicación.