基于編輯距離算法的藥房聽似藥品管理量化指標體系的建立*

胡小剛，向 露，李拓穎，陳萬一

（重慶大學附屬腫瘤醫(yī)院，重慶400030）

截至2019年，新版國家基本醫(yī)保藥品目錄共計收載藥品2 643個。醫(yī)院及其藥房的體量均在不斷增加，很多醫(yī)院在庫藥品品種上千。這雖給臨床選擇治療藥物帶來了便利，但也給藥品的有效管理和正確調劑使用帶來了新的挑戰(zhàn)。在藥品日常管理及使用過程中，常遇到藥品名稱、外觀或外包裝相似的情況，這是導致調劑差錯的重要原因［1-2］。根據美國藥典發(fā)布的第八屆Medmark年度數(shù)據報告，超過1 400種常用藥物錯誤與相似藥品相關［3］。當前藥品在院內流動的環(huán)節(jié)，采用人工作業(yè)流程環(huán)節(jié)仍較多，藥物調劑錯誤發(fā)生概率較高［4-5］，需預先檢測并及時防范。本研究中擬通過編程方法實現(xiàn)編輯距離求解，并結合藥房相似藥品的實際管理場景，探討其在藥房聽似藥品檢測和管理中的應用。

1 對象與方法

1.1 編輯距離理論及程序實現(xiàn)

編輯距離又稱Levenshtein距離，用于計算2個字符串間轉變所需的字符編輯次數(shù)，其中編輯操作包括插入、刪除、替換3種狀態(tài)。在程序實現(xiàn)中需使用動態(tài)規(guī)劃的思想，假設存在2個字符串S1和S2。假設fi，j表示由S1的前i個字符組成的子串S1i轉變?yōu)镾2前j個字符組成的子串S2j，則fi，j滿足如下遞推關系式。

由此即可計算出2個字符串間的編輯距離LD。則計算兩者相似度S=1-LD/Max（n1，n2），其中n1和n2分別為S1和S2的字符長度。

以上運算過程，可以通過Matlab軟件編程實現(xiàn)，構建一個函數(shù)文件Editdis用于后續(xù)應用調用。函數(shù)文件內容詳見圖1。

1.2 聽似藥品檢測

考慮到藥品名稱除文字內容外，拼音（如前后鼻韻、卷翹舌等）也可能相似。因此，擬從漢字和拼音的相似性2個方面進行檢測。藥品名稱從醫(yī)院信息系統(tǒng)（HIS）藥品字典中獲取，按文獻［6］方法編寫VBA程序，調用getpy（）函數(shù)將漢字轉換為拼音。然后在Matlab程序中調用Editdis函數(shù)，可從不同維度（如總體概況、劑型分類概況等）對藥品相似性進行計算。

圖1 Editdis函數(shù)程序

1.3 聽似藥品管理量化指標體系

根據實踐經驗可知，2個藥品名稱需達一定相似度（S），才容易引起差錯。假定這個相似性閾值為δ，即將S≥δ的藥品作為聽似藥品的重點監(jiān)管范圍，并假定重點監(jiān)管的總體相似藥品對數(shù)為N（S≥δ）。為減少相似導致的差錯，2011年版《三級腫瘤醫(yī)院評審標準實施細則》要求相似藥品分開碼放，因此可考慮納入位置信息作為分開碼放的度量，用于評估相似藥品的管理狀況。此處建立“控制率”的概念，用于表征在S≥δ的總相似藥品對數(shù)中，未成對擺放在特定區(qū)域范圍內的比例。將聽似藥品對擺放位置處于同一藥架的數(shù)量記作n1、聽似藥品對擺放位置處于同一藥架層的數(shù)量記作n2，即藥房聽似藥品擺放控制率記為：同架控制率V架=（1-n1/N）×100%（S≥δ），同層控制率V層=（1-n2/N）×100%（S≥δ）。據此可構建豐富的聽似藥品管理量化指標體系，以防范相關差錯。

1.4 研究對象及實證分析

以住院藥房812個在架藥品為例，按圖2所示方法，首先對所有藥品的相似性進行匯總與分析，并根據預調研結果，取δ=0.70完成各類指標計算和統(tǒng)計。

2 結果

圖2聽似藥品管理量化指標體系

表1藥品總體相似性

表2藥品對相似性（δ=0.70）

結果見表1至表5。δ=0.70時，藥品同架控制率為76.73%，同層控制率為95.92%。同層相似藥品因字、音太相近，而又處于鄰近位置，納入重點優(yōu)化管理藥品目錄。不同劑型藥品中文和拼音相似性均小于0.5。便于后期優(yōu)化。根據結果，住院藥房需重點優(yōu)化管理，藥品目錄按相似類型歸類：同廠不同規(guī)格3對，同規(guī)格不同廠1對，不同規(guī)格不同廠1對，藥名不同5對。提示這些藥品最好重新調整擺放位置，避免擺放位置相近導致調劑差錯。

表3同層聽似藥品相似性

表4同架聽似藥品相似性

表5重點管理藥品目錄

3 討論

藥品管理使用環(huán)節(jié)中，處方、調劑、配置、給藥等流程均可能出現(xiàn)錯誤［7］。工作量大、人員配備不足、外觀/聲音相似、缺乏知識/經驗、分心/中斷及配藥團隊內部的溝通等因素［4］，被報道與調劑錯誤具有相關性，是目前藥學工作中不可回避的現(xiàn)實狀況。日常差錯的防范主要基于既往差錯分析及PDCA持續(xù)改進［8-9］，屬事后處理，且主要依賴人力完成，記錄存在主觀性，耗時較長。《三級腫瘤醫(yī)院評審標準實施細則》等雖有相似藥品分開碼放的規(guī)定，但具體操作細則和管理量化尺度不明確。因此，對于相似藥品引起差錯的事前預防及其持續(xù)的風險性監(jiān)督，尚缺乏有效的量化依據，缺乏科學化的管理和監(jiān)督手段。有研究分析了調劑差錯率、復核漏檢率及錯誤發(fā)生率的內在關系，指出復核漏檢率常高于調劑差錯率，并與錯誤發(fā)生率相關性更高［10］，提示事后差錯的登記可能會忽略潛在的問題。

編輯距離是一種自然語言處理（natural language processing，NLP）領域文本相似度的算法，其可應用于拼寫檢查、句子相似度分析等多個方面［11］。本研究中將其引入藥房聽似藥品的管理中，并通過程序算法實現(xiàn)計算，介紹了實現(xiàn)過程，構建了相關的量化指標體系。從住院藥房藥品管理的分析結果來看，該方法可方便計算出藥品中文名稱和英文名稱的相似性，能有效分析藥品名稱相似性的總體情況，可根據閾值篩選相似藥品對。同架/同層相似性分析結果可作為初步判斷藥品擺放狀態(tài)及其合理性的依據，作為表征聽似藥品分開碼放的客觀量化監(jiān)測指標。重點優(yōu)化管理藥品目錄為后期藥品貨位優(yōu)化、差錯防范方向提供了改進思路。該系列指標還能持續(xù)用于聽似藥品管理的日常監(jiān)督，如事前評估新進藥物擺放位置是否合適，貨位貨架的增減是否恰當?shù)取?/p>

近年來，醫(yī)藥行業(yè)的信息化建設快速發(fā)展。研究顯示，可用機器學習減小處方錯誤和藥品不良事件［12］，通過分析醫(yī)囑和診斷聲明數(shù)據來檢測潛在的看似聽似（look-alike/sound-alike，LASA）錯誤［13］和基于信息系統(tǒng)減少外觀包裝設計的相似性［14］。另有研究者通過文獻回顧，匯總了避免相似藥品用藥錯誤的方法，包括設置標簽、加強檢查、信息系統(tǒng)等方面［15］。本研究中基于編輯距離算法建立藥房聽似藥品管理量化指標體系，從藥房藥師實踐角度進行聽似藥品量化管理探討，為進一步探索信息化藥房管理提供了思路。