大福社會基礎設施的基本技術透過人工智慧驅動的處方審核系統減少藥局工作量

減少名稱和包裝相似的藥品出現配藥錯誤的風險

在藥房，當藥劑師向患者提供處方藥時，他們通常會從貨架上挑選藥物，並依靠目視檢查來確保他們選擇了正確的藥物。

「audit」系列處方audit系統使用圖像和重量來識別藥物的類型和數量，並將這些數據與處方資訊交叉引用以檢查錯誤。系統也會自動建立這些審核的記錄。只需將藥品放在托盤上，系統就會用內部攝影機捕捉影像並調出收據資料。即使是捆綁在一起的藥物，系統也能準確識別類型和數量。

audit系列的發展始於十多年前。新業務開發專案小組的專案協調員高平健二收到大福的產品規劃提案，開始對藥局進行訪談。透過這些採訪，他了解到，透過目視檢查進行點膠的錯誤率約為0.25%。同時，在物流業，新技術和設備將錯誤減少到幾乎為零，這讓 Kenji 認識到藥房營運還有很大的改進空間。

Kenji Takahira，Contec 新業務開發專案小組專案協調員

「雖然藥局和物流中心的產業和規模不同，但在揀貨、檢驗、配送等工作流程上有許多相似之處。我們認為大福的專業知識可以幫助降低處方錯誤的風險。起初，我們嘗試透過對照主資料交叉引用藥品圖像和條碼來進行審核，但藥品獨特的包裝帶來了各種挑戰，例如反光和透明袋，」Kenji 回憶道。

為了應對這些挑戰，團隊在設備內部增加了一個空間，用於在均勻的照明下捕獲藥品圖像，從而提高了藥品本身和包裝上印刷的條碼的圖像識別的準確性。 「透過將影像資料與內建秤的資訊結合，我們能夠確保同時識別藥物處方的類型和數量。儘管其他公司也提供基於影像的識別系統，但只有audit系列可以同時識別多種藥物類型和數量，」Kenji 說。

有些藥品的名稱或包裝相似，包裝設計的改變和仿製藥的添加增加了出錯的風險，導致藥劑師的精神負擔增加，必須時刻保持警惕，避免混淆。

根據海因里希定律，每起嚴重事故之前都會發生 29 起輕微事故和 300 起非傷害事故（未遂事故）。因此，各行業協會正在積極收集和分析未遂事故，以幫助促進醫療安全。儘管如此，儘管小心謹慎，人為錯誤永遠無法完全消除，從而導致藥物混淆和處方缺失的情況。系列audit降低了出錯的風險，減輕了藥劑師的精神負擔，同時也為患者報告差異（例如不正確的藥物或數量）提供audit記錄。

日本厚生勞動省最近也鼓勵藥局加強以患者為導向的服務，而不是以任務為導向的服務，包括解釋處方細節、提供較長處方的指導以及確認處方狀態。簡化審核流程使藥劑師有更多時間專注於與患者溝通。

利用差異擷取技術提高AI影像辨識能力

2012 年發布的上一audit系列型號的約 2,000 台已在日本各地的藥局安裝。隨著藥局經營的藥品種類逐年增加，對小型設備的需求也不斷增加。然而，當時的技術意味著成像需要專用空間，限制了小型設備的設計。 Kenji 看到了人工智慧作為解決尺寸縮小問題的潛力。

Yusuke Yokoyama，康泰克技術部應用開發組主管

大約在同一時間，康泰克技術部應用開發組主管橫山雄介出於完全不同的原因開始研究人工智慧。 「當我們開始研究使用基於人工智慧的影像辨識技術來偵測電子電路板中的缺陷和組裝錯誤時，公司對人工智慧應用的討論非常熱烈。 2020 年春天，Kenji 向我詢問使用人工智慧辨識藥品的可能性。我第一次了解到一種開源人工智慧，它可以區分 9,000 種不同的圖像類型，但它無法區分包裝相似的藥物，只能區分明顯不同的物體，例如人和狗，」Yusuke 回憶道。

為了尋找解決方案，佑介研究了各種影像搜尋技術。 「在尋找一種方法來區分具有相似包裝的藥品時，我們發現提取圖像差異的技術很有可能得到應用，這種思維的改變最終帶來了我們所尋求的突破，」Yusuke 說。

Shota Kawase，Contec 技術部應用開發小組成員

技術部應用開發小組的 Shota Kawase 於 2021 年春季加入此專案。

到這個階段，從數萬種藥物中識別正確藥物的基礎人工智慧技術已經建立。然而，系統攝影機拍攝的影像仍存在一些識別問題。 「在影像處理過程中，有時光照條件會導致無法正確識別藥品，或者如果用於成像的托盤與藥品包裝的顏色相同，兩者會混合在一起，導致識別變得非常困難。我們使用人工智慧來解決這個問題，方法是識別藥物的視覺特徵，將藥物與背景分離，並僅提取藥物本身的圖像。這顯著提高了識別準確度，無論光線或背景顏色如何，都可以識別目標。

COVID-19 大流行意味著在系統開發過程中需要大量在家工作，但這帶來了令人驚訝的好處。 「我認為，我們不僅可以在辦公室測試影像識別，還可以在家中不同的環境中測試影像識別，這是我們這次成功的原因之一，」Shota 說。

每當包裝設計發生變化，或推出新藥或仿製藥時，人工智慧都必須使用新資訊進行更新。研究發現，直接取代影像處理功能的標準 AI 的額外學習每次學習需要 8 到 12 個小時。 「藥局沒有那麼多時間等待。因此，我們開發了一種新流程，將人工智慧處理限制在主要優勢上——捕捉形狀和包裝設計等外部特徵。在額外學習過程中，僅註冊提取的特徵和藥物名稱，從而顯著加快了過程。現在藥物辨識時間不超過1秒，額外學習時間不超過3秒。我們已經為這種新方法申請了專利。

對於先前的模型，使用模式匹配來將捕獲的圖像與主圖像進行比較。這意味著成像設備和環境必須與主影像相同。然而，透過基於人工智慧的特徵提取，成像環境不必相同，學習的資料集也可以更輕鬆地在線上共享。

透過採用人工智慧，audit-i系統的效能顯著提高，成像條件要求放寬，系統整體尺寸減少了60%。

將系統連接到互聯網的能力是另一個重大變化，可以使用各種雲端服務。基於雲端的audit記錄集中化對於管理多個地點的公司來說非常有意義，這些數據對於藥房管理、規劃和員工培訓非常有用。 「能夠分析容易錯失藥品的趨勢以及藥房位置與其最暢銷產品之間的關係可以以多種方式使製藥商受益。透過將我們的服務擴展到更多地點，我們希望為全國各地的藥劑師創造更好的工作環境，為患者創造更便利的系統。