Wichtige Daifuku-Technologien für die soziale Infrastruktur: Reduzierung der Arbeitsbelastung von Apotheken durch KI-gestützte Rezepteprüfungssysteme

Reduzierung des Risikos von Abgabefehlern bei Arzneimitteln mit ähnlichen Namen und Verpackungen

Wenn Apotheker Patienten verschreibungspflichtige Medikamente ausgeben, wählen sie die Arzneimittel in der Regel aus den Regalen und verlassen sich durch eine Sichtprüfung darauf, ob sie das richtige Medikament ausgewählt haben.

Die audit der „audit“-Reihe identifizieren die Art und Menge eines Medikaments anhand von Bildern und Gewicht und gleichen diese Daten mit den Rezeptinformationen ab, um Fehler festzustellen. Das System erstellt außerdem automatisch Aufzeichnungen dieser Prüfungen. Indem Sie die Medikamente einfach auf ein Tablett legen, nimmt das System mit seiner internen Kamera ein Bild auf und ruft die Belegdaten ab. Das System identifiziert die Art und Menge selbst bei gebündelten Medikamenten genau.

Die Entwicklung der audit begann vor mehr als 10 Jahren. Kenji Takahira, Projektkoordinator der Projektgruppe für Neugeschäftsentwicklung, erhielt einen Produktplanungsvorschlag von Daifuku und begann, Interviews mit Apotheken zu führen. Durch diese Interviews erfuhr er, dass die Fehlerquote bei der Abgabe bei visueller Inspektion bei etwa 0,25 % lag. In der Logistikbranche reduzierten neue Technologien und Geräte die Fehler inzwischen auf praktisch null, was Kenji zu der Erkenntnis führte, dass es im Apothekenbetrieb reichlich Raum für Verbesserungen gab.

Kenji Takahira, Projektkoordinator der New Business Development-Projektgruppe von Contec

„Auch wenn sich Apotheken und Logistikzentren in Bezug auf Branche und Größe unterscheiden, gibt es viele Ähnlichkeiten in den Arbeitsabläufen, wie Kommissionierung, Inspektion und Vertrieb. Wir waren der Meinung, dass die Expertise von Daifuku dazu beitragen könnte, das Risiko von Verschreibungsfehlern zu verringern. Zunächst versuchten wir, Audits durchzuführen, indem wir Bilder der Medikamente und Barcodes mit Stammdaten abglichen, aber die einzigartige Verpackung der Medikamente brachte verschiedene Herausforderungen mit sich, wie Reflexionen und transparente Beutel“, erinnert sich Kenji.

Um diese Herausforderungen zu meistern, fügte das Team im Inneren des Geräts einen Bereich hinzu, in dem Bilder des Medikaments bei gleichmäßiger Beleuchtung aufgenommen werden konnten. Dadurch wurde die Genauigkeit der Bilderkennung sowohl des Medikaments selbst als auch der auf der Verpackung aufgedruckten Barcodes erhöht. „Indem wir die Bilddaten mit Informationen der eingebauten Waage kombinierten, konnten wir sicherstellen, dass Art und Menge eines verschreibungspflichtigen Medikaments gleichzeitig identifiziert werden konnten. Obwohl auch andere Unternehmen bildbasierte Erkennungssysteme anbieten, identifiziert nur die audit Reihe gleichzeitig mehrere Medikamentenarten und -mengen“, sagt Kenji.

Einige Arzneimittel haben ähnliche Namen oder Verpackungen. Durch Änderungen im Verpackungsdesign und die Aufnahme von Generika ist das Fehlerrisiko gestiegen. Dies führt zu einer zunehmenden psychischen Belastung der Apotheker, die stets wachsam sein müssen, um Verwechslungen zu vermeiden.

Nach dem Heinrichschen Gesetz gehen jedem schweren Unfall 29 kleinere Unfälle und 300 Unfälle ohne Personenschaden (Beinaheunfälle) voraus. Aus diesem Grund sammeln und analysieren verschiedene Branchenverbände aktiv Beinaheunfälle, um die medizinische Sicherheit zu fördern. Trotz sorgfältiger Aufmerksamkeit können menschliche Fehler jedoch nie vollständig ausgeschlossen werden, was zu Medikamentenverwechslungen und fehlenden Rezepten führt. Die audit verringert das Fehlerrisiko und entlastet die Apotheker mental. Gleichzeitig bietet sie audit für den Fall, dass Patienten Unstimmigkeiten wie falsche Medikamente oder Mengen melden.

Das japanische Ministerium für Gesundheit, Arbeit und Soziales hat Apotheken kürzlich auch dazu ermutigt, patientenorientierte Dienstleistungen gegenüber aufgabenorientierten Dienstleistungen zu verbessern, darunter die Erläuterung von Rezeptdetails, die Bereitstellung von Anleitungen zu längeren Rezepten und die Bestätigung des Rezeptstatus. Durch die Rationalisierung des Auditprozesses haben Apotheker mehr Zeit, sich auf die Kommunikation mit Patienten zu konzentrieren.

Verwendung der Differenzextraktionstechnologie zur Verbesserung der KI-Bilderkennung

Etwa 2.000 Einheiten des vorherigen Modells der audit Serie, das 2012 auf den Markt kam, wurden in Apotheken in ganz Japan installiert. Da die Vielfalt der von Apotheken gehandhabten Medikamente von Jahr zu Jahr zunimmt, besteht eine wachsende Nachfrage nach kleineren Geräten. Die damalige Technologie bedeutete jedoch, dass für die Bildgebung ein eigener Platz erforderlich war, was die Konstruktion kleiner Geräte einschränkte. Kenji sah das Potenzial der KI als Lösung für dieses Problem der Größenreduzierung.

Yusuke Yokoyama, Leiter der Applied Development Group, Abteilung Technologie bei Contec

Etwa zur gleichen Zeit begann Yusuke Yokoyama, ein Vorgesetzter der Applied Development Group in der Technologieabteilung von Contec, aus einem ganz anderen Grund KI zu erforschen. „Im Unternehmen herrschte reges Treiben über KI-Anwendungen, als wir begannen, uns mit der Nutzung KI-basierter Bilderkennungstechnologie zur Erkennung von Defekten und Montagefehlern in elektronischen Leiterplatten zu befassen. Im Frühjahr 2020 sprach mich Kenji auf die Möglichkeit an, KI zur Identifizierung von Arzneimitteln einzusetzen. Ich erfuhr zuerst von einer Open-Source-KI, die zwischen 9.000 verschiedenen Bildtypen unterscheiden konnte, aber nicht zwischen Medikamenten mit ähnlicher Verpackung, sondern nur zwischen klar unterscheidbaren Objekten wie Menschen und Hunden“, erinnert sich Yusuke.

Auf der Suche nach einer Lösung untersuchte Yusuke verschiedene Bildsuchtechnologien. „Bei der Suche nach einer Möglichkeit, zwischen Medikamenten mit ähnlicher Verpackung zu unterscheiden, stellten wir fest, dass eine Technologie zum Erkennen von Unterschieden in Bildern sehr wahrscheinlich anwendbar ist. Dieser Wandel im Denken führte letztendlich zu dem Durchbruch, den wir suchten“, sagt Yusuke.

Shota Kawase, Mitglied der Applied Development Group, Technology Division von Contec

Shota Kawase von der Applied Development Group der Technologieabteilung schloss sich dem Projekt im Frühjahr 2021 an.

Zu diesem Zeitpunkt war die grundlegende KI-Technologie zur Identifizierung des richtigen Medikaments unter Zehntausenden bereits etabliert. Es gab jedoch noch einige Erkennungsprobleme mit den von der Kamera des Systems aufgenommenen Bildern. „Bei der Bildverarbeitung machten die Lichtverhältnisse es manchmal unmöglich, die Medikamente richtig zu erkennen, oder wenn die zur Aufnahme verwendete Schale die gleiche Farbe wie die Medikamentenverpackung hatte, verschwammen die beiden Farben und erschwerten die Erkennung zu sehr. Wir nutzten KI, um dieses Problem zu lösen, indem wir die visuellen Merkmale des Medikaments identifizierten, das Medikament vom Hintergrund trennten und nur das Bild des Medikaments selbst extrahierten. Dadurch wurde die Erkennungsgenauigkeit deutlich verbessert und die Identifizierung von Zielen unabhängig von Beleuchtung oder Hintergrundfarbe ermöglicht“, erklärt Shota.

Aufgrund der COVID-19-Pandemie mussten wir während der Entwicklung des Systems viel von zu Hause aus arbeiten, was jedoch überraschende Vorteile mit sich brachte. „Ich denke, dass die Tatsache, dass wir die Bilderkennung nicht nur im Büro, sondern auch zu Hause in unterschiedlichen und vielfältigen Umgebungen testen konnten, einer der Gründe für unseren Erfolg dieses Mal war“, sagt Shota.

Wenn sich das Verpackungsdesign ändert oder neue oder generische Medikamente eingeführt werden, muss die KI mit den neuen Informationen aktualisiert werden. Dieser zusätzliche Lernvorgang für eine Standard-KI, die die Bildverarbeitungsfunktion direkt ersetzte, dauerte 8 bis 12 Stunden pro Lernsitzung. „Apotheken haben nicht so viel Zeit zum Warten. Also haben wir ein neues Verfahren entwickelt, bei dem wir die KI-Verarbeitung auf die wichtigsten Stärken beschränkten – das Erfassen externer Merkmale wie Form und Verpackungsdesign. Während des zusätzlichen Lernvorgangs werden nur die extrahierten Merkmale und der Medikamentenname registriert, was den Vorgang erheblich beschleunigt. Die Medikamentenidentifizierung dauert jetzt nicht länger als 1 Sekunde und der zusätzliche Lernvorgang nicht länger als 3 Sekunden. Wir haben diese neue Methode patentiert“, sagt Kenji.

Beim Vorgängermodell wurde das aufgenommene Bild mittels Mustervergleich mit den Masterbildern verglichen. Das heißt, dass Aufnahmegerät und Umgebung mit dem Masterbild übereinstimmen müssen. Bei der KI-basierten Merkmalsextraktion muss die Aufnahmeumgebung jedoch nicht identisch sein und erlernte Datensätze können auch einfacher online geteilt werden.

Durch die Einführung künstlicher Intelligenz bietet das audit-i-System eine deutlich verbesserte Leistung bei entspannteren Anforderungen an die Bildgebungsbedingungen und einer Reduzierung der Gesamtgröße des Systems um 60 %.

Eine weitere wichtige Neuerung ist die Möglichkeit, das System mit dem Internet zu verbinden, wodurch die Nutzung verschiedener Cloud-Dienste möglich wird. Die Cloud-basierte Zentralisierung von audit kann für Unternehmen mit mehreren Standorten unglaublich sinnvoll sein, da die Daten für die Verwaltung, Planung und Schulung von Apotheken hilfreich sind. „Die Möglichkeit, Trends bei Medikamenten zu analysieren, bei denen Beinahe-Unfälle auftreten können, und die Beziehung zwischen dem Standort einer Apotheke und ihren meistverkauften Produkten zu analysieren, kann Pharmaherstellern auf verschiedene Weise zugutekommen. Indem wir unsere Dienste auf weitere Standorte ausweiten, hoffen wir, eine bessere Arbeitsumgebung für Apotheker und ein bequemeres System für Patienten im ganzen Land zu schaffen“, sagt Kenji.