Enhancing Patient Safety Through Electronic Health Record System Integrated Decision Support for Medication Risk Assessment
Bertalan Ádám
Health Sciences
Dr. Nagy Zoltán Zsolt
SE Semmelweis Szalon
2026-10-27 13:00:00
Public Health Science
Dr. Sótonyi Péter
Dr. Dinya Elek
Dr. Balogh Balázs
Dr. Molnár László
Dr. Lohinai Zsolt
Dr. Lengyel Miléna
Dr. Kaposi Ambrus
A gyógyszereléssel összefüggő ártalmak jelentős egészségügyi kihívást képviselnek, amelyet gyakran tovább súlyosbít, hogy a kulcsfontosságú terápia adatok strukturálatlan, szabad szöveges formában rejtőznek elektronikus egészségügyi nyilvántartásokban. Az értekezés bemutatja az Augmented Medication Risk Score-t (AUGMERIS-t), egy mesterséges intelligenciával támogatott klinikai döntéstámogató rendszert, amelynek célja a dán Medication Risk Score (MERIS) algoritmus számításának automatizálása. A kutatás elsődleges célkitűzése a hagyományos determinisztikus rendszerek korlátainak meghaladása volt egy olyan hibrid architektúra alkalmazásával, amely a szigorú farmakológiai szabályrendszereket ötvözi a Generative Pre-trained Transformer (GPT) adaptív természetes nyelvfeldolgozási képességeivel.
A kutatás több egymásra épülő fázisban zajlott. Első lépésként egy háromlépcsős szövegfeldolgozó folyamat (pipeline) került kialakításra a klinikai szöveges leírások feldolgozására. Ezt a modult retrospektív módon, klinikai szakgyógyszerészi értékelésekhez viszonyítva validáltuk. Ezt követően a rendszert globálisan, egy Streamlit-alapú webalkalmazásként tettük közzé annak érdekében, hogy teszteljük robusztusságát a heterogén nyelvi bemenetek mellett. Végül a rendszer intézményi (on-premise) változata öt kórházi helyszínen került bevezetésre a valós klinikai hatás felmérése céljából.
A belső validálás igazolta, hogy a hibrid mesterséges intelligencia (MI) algoritmus gyenge minőségű Electronic Health Record (EHR) bejegyzések esetén is a humán szakértőkével összemérhető pontossággal működik. A globális pilot tesztelés rávilágított az adaptív Natural Language Processing (NLP) iránti egyetemes igényre, mivel a nemzetközi bemenetek feldolgozásakor lényegesen nagyobb arányban vált szükségessé a generatív MI biztonsági (fallback) rétege. A legjelentősebb eredményként a PiGuard klinikai bevezetése bizonyította a rendszer operatív értékét: bár az értékelt betegpopulációnak mindössze 38%-a tartozott a magas vagy extrém kockázati kategóriába, a gyógyszerészi beavatkozások 54%-a ebben a kohorszban összpontosult, megerősítve az eszköz hatékonyságát mint fókuszpont-kereső („Hot-Spot” detektor).
A rendszer bemeneti adatok normalizálására irányuló klinikai fókuszának érzékeltetésére a disszertáció az AUGMERIS-t összeveti a ScreenGPT-vel, egy betegeknek szóló, preventív célú MI-eszközzel is. Míg a ScreenGPT az empatikus kimenetgenerálásra és a szubjektív egészségműveltségi mutatókra épül, addig az AUGMERIS determinisztikus klinikai védőkorlátokra támaszkodik a nagy nyelvi modellek (LLM) hallucinációinak szigorú mérséklése érdekében. Összességében e kutatás alátámasztja, hogy a hibrid, magyarázható mesterséges intelligencia rutinszerű klinikai gyógyszerészeti munkafolyamatokba történő integrálása jelentősen javíthatja az erőforrás-allokációt, növeli a szakmai elszámoltathatóságot, valamint skálázható, adatvezérelt megoldást kínál a gyógyszerbiztonság globális szintű javítására.
