كليدواژه :
سيستم توصيه‌گر معنايي , اثرات سوء مصرف داروها , تداخلات دارويي , زبان يك‌پارچه مدل‌سازي , مدخل ورود كامپيوتري دستورات پزشك
چكيده فارسي :
هدف: تجويز داروهاي مناسب براي بيماران از اساسي‌ترين پروسه‌هاي درمان آن‌ها است و نيازمند تصميم‌گيري دقيق بر اساس شرايط فعلي بيمار و سوابق و علائم وي مي‌باشد. در بسياري از موارد ممكن است بيماران بيش از يك دارو نياز داشته يا علاوه بر داشتن بيماري قبلي و دريافت داروي آن، براي بيماري جديد نياز به داروهاي جديد داشته باشند كه چنين شرايطي امكان ايجاد خطاي پزشكي در تجويز دارو و بروز اثرات سوء مصرف دارويي(ADE) (مانند تداخلات دارويي) را براي بيمار افزايش مي‌دهد.
مواد و روش‌ها: در اين مقاله مدل‌سازي سامانه‌ي توصيه‌گر معنايي تجويز پزشك و كشف تداخلات داروئي ارائه شده است. پيش‌تر نيازمندي‌هاي سامانه استخراج و به تفصيل شرح داده شده و در اين مقاله، بر اساس نيازمندي‌هاي استخراج شده به مدل‌سازي سامانه با استفاده از زبان يك‌پارچه مدل‌سازي UML2.0 پرداخته شده است. جهت ارزيابي كاركردهاي توصيه و كشف ADEها (تداخلات) اقدام به توسعه نمونه آزمايشگاهي با استفاده از زبان Java شد و هم‌چنين مجموعه‌اي از قواعد جهت استدلال و كشف تداخلات و ADEها گردآوري شد.
يافته‌ها: نتايج ارزيابي عملكرد سامانه براي كاركردهاي كشف اثرات سوء مصرف داروها و توصيه داروئي نشان‌دهنده‌ي بهبود عملكرد رويكرد پيشنهادي به ميزان 25/9 و 3/11 درصد در معيار دقت، 29 و 6/60 درصد در معيار فراخواني (به ترتيب رويكردهاي كشف اثرات سوء و توصيه داروئي) مي‌باشد.
نتيجه‌گيري: استفاده از اين سامانه به‌عنوان يك مدخل ورود الكترونيكي دستورات پزشك مي‌تواند علاوه بر كمك به پزشكان جهت تجويز دقيق‌تر نسخه، مخاطرات موجود عليه سلامتي بيماران كه ناشي از خطاهاي پزشكي در مرحله تجويز دارو است را كاهش دهد.
چكيده لاتين :
Introduction: The administration of appropriate drugs to patients is one of the most important processes of
treatment and requires careful decision-making based-on 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 ontology-based 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.
