Načrtovanje dejavnosti klinične farmacije v bolnišnici s pomočjo metod umetne inteligenceČufar, Andreja (Avtor) Mrhar, Aleš (Mentor) Robnik Šikonja, Marko (Komentor) bolnišnicezdravstveni timklinična farmacijaklinični farmacevtistoritveaktivnostinačrtovanjeumetna inteligencaanaliza podatkovpodatkovno rudarjenjedisertacijeZa uvajanje kliničnega farmacevta v zdravstveni tim je nujno potrebna podpora najvišjega vodstva bolnišnice, ki je zadolženo za izvajanje varnostne politike pri zdravljenju in za finančno poslovanje bolnišnice. Sprejetost kliničnega farmacevta s strani drugih zdravstvenih delavcev je tem boljša, čim bolj njegove aktivnosti ustrezajo pričakovanjem in potrebam uporabnikom njegovih storitev, to so predvsem zdravniki in medicinske sestre. Ugotavljanje potreb in pričakovanj uporabnikov je zato prva in ključna aktivnost pri načrtovanju katerekoli nove storitve, kar klinična farmacija v slovenskem prostoru vsekakor je. V Univerzitetnem kliničnem centru Ljubljana (UKCL) se dejavnost klinične farmacije do leta 2010 ni izvajala. Čeprav je vodstvo ustanove uvedbo te dejavnosti podpiralo, pa so neformalno izražena mnenja posameznih predstojnikov kazala na to, da je mnenje glede uvedbe klinične farmacije do določene mere deljeno tudi med predstojniki kliničnih oddelkov. Pred začetkom uvajanja klinične farmacije je bilo zato ugotavljanje potreb in pričakovanj bodočih uporabnikov, predvsem predstojnikov kliničnih oddelkov ter njihovih glavnih medicinskih sester, ključnega pomena, saj je za kakršnokoli dejavnost na posameznem oddelku dovoljenje oz. podpora predstojnika nujni pogoj. Sodobna družba, ki jo lahko označimo tudi kot »podatkovno« družbo, se srečuje z izzivom obvladovanja podatkov in predvsem z iskanjem metod za njihovo analizo, saj podatki sami po sebi še ne prinašajo nobene dodane vrednosti. Potreba po razumevanju velikega števila podatkov je narekovala razvoj številnih metod za analizo podatkov, ki izhajajo iz umetne inteligence in statistike. Odkrivanje znanja iz podatkov je definirano kot kompleksno pridobivanje implicitnih, neznanih in potencialno uporabnih informacij iz podatkov. Rudarjenje podatkov (data mining) je postopek, s katerim iz velikih podatkovnih zbirk poiščemo pomembne skrite napovedne informacije. Osnova za podatkovno rudarjenje so zbirke podatkov, statistične metode in algoritmi strojnega učenja ter umetne inteligence. Podatkovno rudarjenje omogoča avtomatizirano napovedovanje bodočih trendov in obnašanja ter avtomatizirano odkrivanje prej neznanih vzorcev. V množici metod podatkovnega rudarjenja so bile razvite tudi številne metode, namenjene analizi majhnih vzorcev. Tudi medicina in farmacija sodita med znanstvena področja, kjer v določenih primerih ni mogoče zagotoviti velikega vzorca, na primer pri raziskovanju redkih bolezni. Podobno je področje tržnih raziskav in raziskav zadovoljstva uporabnikov (marketing research, customer satisfaction). V ta namen je bilo treba razviti prilagojene metode, ki so primerne za analizo majhnih vzorcev, ki pa obenem zagotavljajo ustrezno napovedno moč raziskave. Za analizo majhnih vzorcev z velikim številom spremenljivk se običajno uporabljajo tehnike izbora pomembnih spremenljivk za dani klasifikacijski problem. Vsako od spremenljivk opredelimo glede na njen pomen za določen razred. Na ta način lahko v praksi spremljamo le tiste spremenljivke, ki imajo največji pomen za dani problem, saj vsebujejo vso potrebno informacijo za opredelitev razreda. Navedene zakonitosti in znanja s področja umetne inteligence smo uporabili za analizo podatkov anketnega vprašalnika o vlogi kliničnega farmacevta v UKCL. Na osnovi obsežnega pregleda literature smo izdelali nabor aktivnosti kliničnih farmacevtov, ki je služil za oblikovanje vprašalnika. Izhodiščne potrebe in pričakovanja uporabnikov storitev kliničnega farmacevta v UKCL smo preverili z vprašalnikom za ocenjevanje pomembnosti posamezne aktivnosti po Likertovi ocenjevalni lestvici. Validacijo vprašalnika smo izvedli s pomočjo ekspertnega pregleda treh ekspertov, in sicer enega od predstojnikov, sodelujočih v raziskavi, farmacevta, zaposlenega izven bolnišnične lekarniške dejavnosti, in neodvisnega strokovnjaka s področja upravljanja s kadri. Vprašanja v vprašalniku so razdeljena na tri vsebinske dele: vloga kliničnega farmacevta v sistemu bolnišnice (17 vprašanj), vloga kliničnega farmacevta ob pacientu (19 vprašanj) in pomen kompetenc za uspešno delo kliničnega farmacevta (16 vprašanj). V prvih dveh vsebinskih delih je anketiranec izrazil svoje strinjanje ali nestrinjanje s trditvijo z ocenami od 1 (sploh se ne strinjam) do 5 (zelo se strinjam), pri tretji pa je z ocenami od 1 (ni pomembna) do 5 (zelo je pomembna) opredelil, koliko je pomembna posamezna splošna oziroma specifična kompetenca za uspešno delo kliničnega farmacevta. Vprašalnik smo poslali v ocenjevanje vsem predstojnikom, glavnim medicinskim sestram in farmacevtom v bolnišnici. Prejete odgovore smo zbrali v podatkovni tabeli, ki je služila kot osnova za vse nadaljnje analize. V prvem poglavju prikažemo rezultate analize z neparametričnimi ANOVA testi. Ugotovili smo, da se stališča posamezne poklicne skupine glede dejavnosti klinične farmacije razlikujejo tako pri posameznih aktivnostih kot tudi pri sklopih aktivnosti. Največje razlike opazimo med farmacevti in medicinskimi sestrami, pomembne razlike pa so tudi v stališčih zdravnikov in farmacevtov. Manj se razlikujejo stališča zdravnikov in medicinskih sester. Srednja vrednost strinjanja zdravnikov z aktivnostmi prvega in drugega sklopa je bila 4.28 oz. 3.73, medtem ko so bile te vrednosti pri medicinskih sestrah ovrednotene nižje, in sicer 3.87 oz. 3.38. Srednje vrednosti ocen farmacevtov za zadevna dva sklopa so bile bistveno višje, in sicer 4.57 in 4.23. Navedena vsebina je bila objavljena v reviji Acta Pharmaceutica 64 (2014) 447-461. V nadaljevanju smo v UKCL vzpostavili sodelovanje kliničnih farmacevtov na izbranih oddelkih v bolnišnici. Rezultate anket smo dopolnili z ekspertno oceno vodje lekarne glede uspešnosti sodelovanja. Tako dopolnjeno tabelo smo uporabili za analizo s pomočjo algoritmov strojnega učenja. V drugem poglavju so predstavljeni rezultati analize podatkov s pomočjo algoritma OrdEval (programsko okolje R, paket CORElearn), ki nam omogoča tudi ugotavljanje vrste vpliva posamezne aktivnosti na celotno zadovoljstvo. Rezultate smo uporabili za kategorizacijo aktivnosti kliničnih farmacevtov v skladu s Kanovim modelom. Šest aktivnosti smo razvrstili v skupino pričakovanih elementov (performance), deset v skupino privlačnih (excitement) in eno v skupino potrebnih (basic). Za ocenjevanje pomembnosti spremenljivk lahko uporabimo tudi algoritma ReliefF in MDL (programsko okolje R, paket CORElearn). Z njuno uporabo smo ocenili, katere dejavnosti klinične farmacije (atributi) so za zdravnike in medicinske sestre najbolj pomembne in katere najmanj, ter v kolikšni meri se pomembnost posamezne dejavnosti ujema z ekspertno oceno vodje lekarne in z rezultati predhodno uporabljenega algoritma. Rezultati so prikazani v tretjem poglavju in kažejo, da je uporaba različnih algoritmov smiselna, saj je v primeru ujemanja rezultatov zanesljivost ugotovitev večja. Tako smo ugotovili dobro ujemanje obeh algoritmov z oceno vodje lekarne pri osmih aktivnostih kliničnih farmacevtov. Za ocenjevanje zadovoljstva s klinično farmacijo smo nato izvedli še pol-strukturirane intervjuje s predstojniki petih oddelkov, na katerih se izvaja klinična farmacija, in s pomočjo odgovorov določili uspešnost kliničnih farmacevtov. Odgovore smo analizirali s pomočjo orodja za analizo besedila QDA Miner text management and qualitative coding software (QDA Miner 4, Provalis research). Ugotovili smo, da sta med dejavnostmi klinične farmacije dve, ki ju lahko uvrstimo v skupino obratnih (reversal) elementov, česar z uporabo algoritmov strojnega učenja nismo zaznali. [A. Čufar]20152023-01-11 08:22:33Doktorska disertacija143736sl