Mesterséges intelligenciával támogatott gyógyszerelési kockázatelemző webalkalmazás (AUGMERIS) fejlesztése és validálása

Absztrakt:

Bevezetés: A klinikai gyógyszerészek egyik fő feladata a magas kockázatú gyógyszeres terápiák azonosítása. A dán Medication Risk Score (MERIS) algoritmus hatékony eszköz erre, ám automatizált alkalmazását nehezíti az elektronikus egészségügyi nyilvántartásokban (EHR) tárolt terápiás adatok strukturálatlansága. Célunk egy olyan webalkalmazás (AUGMERIS) fejlesztése volt, amely hibrid szövegfeldolgozással teszi lehetővé a kockázatbecslést.

Módszer: Python környezetben fejlesztettünk egy hibrid modellt, amely szigorú szabályalapú algoritmusokat és a GPT (Generative Pre-trained Transformer) technológiát ötvözi a gyógyszernevek felismerésére. A rendszert hazai, gyenge minőségű kórházi adatokon (N=2999) és egy globálisan elérhető webalkalmazás (N=383) adataival teszteltük, valamint összevetettük szakértői értékelésekkel.

Eredmények: A validációs vizsgálat során a rendszer által számolt pontszámok és a klinikai gyógyszerészek értékelései között közepes erősségű, szignifikáns korrelációt találtunk (Spearman r=0,463 és 0,496; p<0,05). A globális tesztelés során a gyógyszerfelismerések 25,8%-ában volt szükség a mesterséges intelligencia bevonására, míg a hazai adatoknál ez az arány 10,3% volt.

Következtetések: Az AUGMERIS alkalmazás hatékonyan képes feldolgozni a strukturálatlan terápiás adatokat, támogatva a kockázatalapú betegszűrést, azonban a mesterséges intelligencia integrációja elengedhetetlen a nemzetközi és heterogén adatforrások kezeléséhez.

Abstract:

Introduction: Identifying high-risk therapies is a primary task for clinical pharmacists. The Danish Medication Risk Score (MERIS) is an effective tool for this purpose, but its automated application is restricted by unstructured therapy data in electronic health records (EHR). Our aim was to develop a web application (AUGMERIS) enabling risk assessment through hybrid text processing.

Methods: We developed a hybrid model in Python combining strict rule-based algorithms with GPT (Generative Pre-trained Transformer) technology for drug name recognition. The system was tested on low-quality domestic hospital data (N=2999) and data from a globally available web application (N=383), and compared with expert evaluations.

Results: Validation showed a moderate, significant correlation between system-calculated scores and clinical pharmacists’ evaluations (Spearman r=0.463 and 0.496; p<0.05). AI was needed for 25.8% of tests conducted worldwide, compared to 10.3% in the Hungarian sample.

Conclusions: The AUGMERIS application efficiently processes unstructured therapy data, supporting risk-based patient screening, but AI integration is essential for handling international and heterogeneous data sources.