Publicación: Detección de errores de medicación durante la prescripción utilizando técnicas de machine learning
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
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.
Resumen en inglés
ABSTRACT: Medication errors (MEs) can occur at any stage of medication use: prescription, validation, dispensing, or administration. They are classified as a global public health problem by the World Health Organization (WHO). It is estimated that 6% of hospitalizations worldwide are caused by medication errors, and they are responsible for the death of 1 in every 131 outpatients and 1 in every 854 inpatients. Currently, methods to address these problems include the implementation of clinical pharmacists supported by clinical decision support systems (CDSS). However, due to the high volume of prescriptions issued daily in a healthcare institution, human errors are common. Additionally, it has been observed that implemented CDSS generate a large number of alerts that lack clinical relevance, thus creating "noise" and hindering the review process. To carry out this study, medical records from a local healthcare institution from 2017 to 2022 were retrieved. These records contained patient demographic information, physician type, and order content. With this information, a database was constructed to train and compare four machine learning models (KNN, Decision Tree with Gradient Boosting, Neural Network, and Random Forests). Model performance was evaluated using the area under the Receiver Operating Characteristic curve (AUROC), the F-value, and accuracy. The dataset consisted of 21,498,505 medication prescriptions, of which only 1,802,268 were included in the study. The two best algorithms for predicting MEs were KNN with an accuracy of 0.98, an F-value of 0.97, and an AUROC of 0.65, and the neural network with an accuracy of 0.77, an F-value of 0.78, and an AUROC of 0.77, while the worst-performing model was the random forest with an accuracy of 0.96, an F-value of 0.26, and an AUROC of 0.94. Machine learning models for predicting MEs are shown to be effective in reducing the workload of pharmacists when manually reviewing prescriptions. Additionally, they help to better identify and understand the factors that can lead to medication errors.