Teknologi Daifuku Penting untuk Infrastruktur Sosial Mengurangi Beban Kerja Apotek dengan Sistem Audit Resep Berbasis AI

Mengurangi risiko kesalahan pemberian obat dengan nama dan kemasan yang mirip

Di apotek, ketika apoteker memberikan obat resep kepada pasien, mereka biasanya akan mengambil obat dari rak dan mengandalkan pemeriksaan visual untuk memastikan bahwa mereka telah memilih obat yang benar.

Seri sistem audit resep "audit" mengidentifikasi jenis dan jumlah obat menggunakan gambar dan berat, mereferensikan silang data ini terhadap informasi resep untuk memeriksa kesalahan. Sistem juga secara otomatis membuat catatan audit ini. Hanya dengan menempatkan obat di atas baki, sistem menangkap gambar dengan kamera internalnya dan menarik data tanda terima. Sistem ini secara akurat mengidentifikasi jenis dan jumlah bahkan untuk obat yang dibundel bersama.

Pengembangan rangkaian audit dimulai lebih dari 10 tahun yang lalu. Kenji Takahira, Koordinator Proyek dari Kelompok Proyek Pengembangan Bisnis Baru, menerima proposal perencanaan produk dari Daifuku dan mulai melakukan wawancara dengan apotek. Melalui wawancara ini, ia mengetahui bahwa tingkat kesalahan pemberian obat sekitar 0,25% saat dilakukan dengan inspeksi visual. Sementara itu, dalam industri logistik, teknologi dan peralatan baru mengurangi kesalahan hingga hampir nol, yang membuat Kenji menyadari bahwa masih banyak ruang untuk perbaikan dalam operasi apotek.

Kenji Takahira, Koordinator Proyek untuk Kelompok Proyek Pengembangan Bisnis Baru Contec

“Meskipun apotek dan pusat logistik berbeda dalam hal industri dan skala, terdapat banyak kesamaan alur kerja, seperti pengambilan, pemeriksaan, dan pendistribusian. Kami merasa bahwa keahlian Daifuku dapat membantu mengurangi risiko kesalahan resep. Awalnya, kami mencoba melakukan audit dengan membandingkan gambar obat dan kode batang dengan data induk, tetapi kemasan obat yang unik menghadirkan berbagai tantangan, seperti pantulan dan kantong transparan,” kenang Kenji.

Untuk mengatasi tantangan ini, tim menambahkan ruang di dalam perangkat untuk mengambil gambar obat dengan pencahayaan yang seragam, sehingga meningkatkan akurasi pengenalan gambar obat itu sendiri dan kode batang yang tercetak pada kemasan. "Dengan menggabungkan data gambar dengan informasi dari timbangan bawaan, kami dapat memastikan jenis dan jumlah resep obat dapat diidentifikasi pada saat yang bersamaan. Meskipun perusahaan lain juga menawarkan sistem pengenalan berbasis gambar, hanya rangkaian audit yang secara bersamaan mengidentifikasi beberapa jenis dan jumlah obat," kata Kenji.

Beberapa obat memiliki nama atau kemasan yang mirip, dan perubahan dalam desain kemasan serta penambahan obat generik telah meningkatkan risiko kesalahan, sehingga meningkatkan beban mental pada apoteker, yang harus selalu waspada untuk menghindari kesalahan.

Menurut Hukum Heinrich, setiap kecelakaan serius didahului oleh 29 kecelakaan kecil dan 300 kecelakaan tanpa cedera (hampir terjadi). Oleh karena itu, berbagai asosiasi industri secara aktif mengumpulkan dan menganalisis kecelakaan hampir terjadi untuk membantu meningkatkan keselamatan medis. Namun, meskipun telah dilakukan perhatian yang cermat, kesalahan manusia tidak akan pernah dapat dihilangkan sepenuhnya, yang mengakibatkan kasus-kasus pencampuran obat dan resep yang hilang. Rangkaian audit mengurangi risiko kesalahan dan meringankan beban mental apoteker sekaligus menyediakan catatan audit saat pasien melaporkan ketidaksesuaian seperti obat atau jumlah yang salah.

Kementerian Kesehatan, Tenaga Kerja, dan Kesejahteraan Jepang juga baru-baru ini mendorong apotek untuk meningkatkan layanan yang berorientasi pada pasien daripada layanan yang berorientasi pada tugas, termasuk menjelaskan rincian resep, memberikan panduan tentang resep yang lebih panjang, dan mengonfirmasi status resep. Penyederhanaan proses audit memberi apoteker lebih banyak waktu untuk fokus berkomunikasi dengan pasien.

Menggunakan teknologi ekstraksi perbedaan untuk meningkatkan pengenalan gambar AI

Sekitar 2.000 unit model seri audit sebelumnya, yang dirilis pada tahun 2012, telah dipasang di apotek-apotek di seluruh Jepang. Karena variasi obat-obatan yang ditangani oleh apotek meningkat dari tahun ke tahun, permintaan akan perangkat yang lebih kecil pun meningkat. Akan tetapi, teknologi pada saat itu membutuhkan ruang khusus untuk pencitraan, sehingga membatasi cara perangkat kecil dapat dirancang. Kenji melihat potensi AI sebagai solusi untuk masalah pengurangan ukuran ini.

Yusuke Yokoyama, Supervisor Grup Pengembangan Terapan Contec, Divisi Teknologi

Pada waktu yang hampir bersamaan, Yusuke Yokoyama, seorang supervisor di Applied Development Group di Divisi Teknologi Contec, mulai meneliti AI untuk alasan yang sama sekali berbeda. “Perusahaan itu ramai dengan diskusi tentang aplikasi AI saat kami mulai mencari tahu tentang penggunaan teknologi pengenalan gambar berbasis AI untuk mendeteksi cacat dan kesalahan perakitan pada papan sirkuit elektronik. Pada musim semi tahun 2020, Kenji menghubungi saya tentang kemungkinan penggunaan AI untuk mengidentifikasi obat-obatan. Saya pertama kali mempelajari tentang AI sumber terbuka yang dapat membedakan 9.000 jenis gambar yang berbeda, tetapi tidak dapat membedakan obat-obatan dengan kemasan yang sama, hanya dapat membedakan objek yang jelas seperti orang dan anjing,” kenang Yusuke.

Dalam upaya mencari solusi, Yusuke meneliti berbagai teknologi pencarian gambar. “Saat mencari cara untuk membedakan obat-obatan dengan kemasan serupa, kami menemukan kemungkinan besar bahwa teknologi untuk mengekstraksi perbedaan dalam gambar dapat diterapkan, dan perubahan pola pikir ini akhirnya menghasilkan terobosan yang kami cari,” kata Yusuke.

Shota Kawase, anggota Grup Pengembangan Terapan Contec, Divisi Teknologi

Shota Kawase dari Kelompok Pengembangan Terapan Divisi Teknologi bergabung dengan proyek ini pada musim semi tahun 2021.

Pada tahap ini, teknologi AI dasar untuk mengidentifikasi obat yang tepat dari puluhan ribu obat telah terbentuk. Namun, masih ada beberapa masalah pengenalan pada gambar yang diambil oleh kamera sistem. “Selama pemrosesan gambar, terkadang kondisi pencahayaan membuat obat tidak dapat dikenali dengan benar, atau jika baki yang digunakan untuk pencitraan memiliki warna yang sama dengan kemasan obat, keduanya akan menyatu dan membuat pengenalan menjadi terlalu sulit. Kami menggunakan AI untuk mengatasi hal ini dengan mengidentifikasi karakteristik visual obat, memisahkan obat dari latar belakang, dan hanya mengekstraksi gambar obat itu sendiri. Hal ini meningkatkan akurasi pengenalan secara signifikan, sehingga memungkinkan identifikasi target tanpa memandang pencahayaan atau warna latar belakang,” jelas Shota.

Pandemi COVID-19 menyebabkan banyak orang bekerja dari rumah selama pengembangan sistem, tetapi hal ini justru mendatangkan manfaat yang mengejutkan. “Saya pikir fakta bahwa kami dapat menguji pengenalan gambar tidak hanya di kantor tetapi juga di rumah, di lingkungan yang berbeda dan beragam, adalah salah satu alasan keberhasilan kami kali ini,” kata Shota.

Setiap kali desain kemasan berubah, atau obat baru atau generik diperkenalkan, AI harus diperbarui dengan informasi baru. Pembelajaran tambahan untuk AI standar yang secara langsung menggantikan fungsi pemrosesan gambar ini ternyata memakan waktu antara 8 dan 12 jam untuk setiap sesi pembelajaran. “Apotek tidak punya waktu sebanyak itu untuk menunggu. Jadi, kami mengembangkan proses baru di mana kami membatasi pemrosesan AI pada kekuatan utama—menangkap fitur eksternal seperti bentuk dan desain kemasan. Selama pembelajaran tambahan, hanya fitur yang diekstraksi dan nama obat yang didaftarkan, sehingga mempercepat proses secara signifikan. Identifikasi obat sekarang memakan waktu tidak lebih dari 1 detik, dan pembelajaran tambahan memakan waktu tidak lebih dari 3 detik. Kami telah mematenkan metode baru ini,” kata Kenji.

Dengan model sebelumnya, pencocokan pola digunakan untuk membandingkan gambar yang diambil dengan gambar induk. Ini berarti bahwa perangkat pencitraan dan lingkungan harus sama dengan gambar induk. Namun, dengan ekstraksi fitur berbasis AI, lingkungan pencitraan tidak harus sama dan kumpulan data yang dipelajari juga dapat dibagikan secara daring dengan lebih mudah.

Dengan penerapan AI, sistem audit-i menawarkan peningkatan kinerja secara signifikan dengan persyaratan kondisi pencitraan yang lebih longgar dan pengurangan sebesar 60% dalam ukuran keseluruhan sistem.

Kemampuan untuk menghubungkan sistem ke internet merupakan perubahan signifikan lainnya, yang memungkinkan penggunaan berbagai layanan cloud. Sentralisasi catatan audit berbasis cloud dapat sangat berarti bagi perusahaan yang mengelola beberapa lokasi, dengan data yang berguna untuk manajemen apotek, perencanaan, dan pelatihan staf. “Mampu menganalisis tren obat yang rentan terhadap kesalahan dan hubungan antara lokasi apotek dan produk terlarisnya dapat menguntungkan produsen farmasi dalam berbagai cara. Dengan memperluas layanan kami ke lebih banyak lokasi, kami berharap dapat menciptakan lingkungan kerja yang lebih baik bagi apoteker dan sistem yang lebih nyaman bagi pasien di seluruh negeri,” kata Kenji.