基于關聯規則的智能藥柜內藥品儲位設置研究

沈穎燕 陳秀蘭 陳細蘭 陳聰 焦韻婷 賴偉華 熊志強 李桃

中圖分類號 R95 文獻標志碼 A 文章編號 1001-0408（2018）23-3285-04

DOI 10.6039/j.issn.1001-0408.2018.23.25

摘 要 目的：優化智能藥柜內藥品儲位，提高藥師調劑藥品的工作效率。方法：調取我院門診藥房智能化藥房CONSIS系統2017年6月的44 916張處方，運用Excel中的關聯規則挖掘工具，使用Apriori算法計算人工發藥頻次高的48種藥品的支持度、置信度，統計2種藥品出現在同一處方中的頻次。根據關聯規則結果，將有關聯的藥品擺放在智能藥柜內相鄰或相近的抽屜以縮短藥師取藥時間。比較智能藥柜內藥品儲位調整前后實時窗口患者平均候藥時間，以評價調整效果。結果：根據關聯規則計算所得支持度和置信度結果，將出現在同一處方中頻次較高的藥品優先放置在相鄰的智能藥柜內，最終共調整了智能藥柜內30個藥品的放置位置。藥品儲位調整前（2017年6月）、后（2017年11月）患者平均候藥時間分別為7.20、5.77 min（統計的處方分別為15 465、16 108張），兩者比較差異具有統計學意義（P<0.05）。結論：運用關聯規則可定量測量藥品間的相關聯系以優化智能藥柜內藥品儲位，從而提高藥師工作效率，縮短患者的候藥時間。

關鍵詞 智能化藥房；關聯規則；智能藥柜；藥品儲位；優化

ABSTRACT OBJECTIVE： To optimize the drug storage position of intelligent drug cabinet， and to improve work efficiency of drug dispensing of pharmacist. METHODS： 44 916 prescriptions were collected from intelligent pharmacy CONSIS system in outpatient pharmacy of our hospital in Jun. 2017. Using association rule mining tools in Excel， Apriori algorithms was used to calculate the support and confidence of 48 drugs with high frequency of artificial drug dispensing. The frequency of 2 kinds of drug in same prescription was analyzed statistically. According to the results of association rule， the associated drugs were placed in the adjacent or nearby drawer of the intelligent drug cabinet to shorten the time for the pharmacist to take drug. The average waiting time of patients in pharmacy window were compared before and after adjusting the storage of drugs in intelligent drug cabinet so as to evaluate the effects of adjustment. RESULTS： According to the support and confidence of association rules， the drugs with high frequency in the same prescription would be placed in the adjacent intelligent drug cabinet. Finally， the position of 30 kinds of drugs had been adjusted. The average waiting time of patients were 7.20 and 5.77 min （15 465 and 16 108 prescriptions） before （Jun. 2017） and after （Nov. 2017） the adjustment of drug storage position； there was statistical significance（P<0.05）. CONCLUSIONS： Association rules can be used to measure drug correlation quantitatively to optimize drug storage position of intelligent drug cabinet， so as to improve work efficiency of pharmacy and shorten waiting time of patients.

KEYWORDS Intelligent pharmacy； Association rule； Intelligent drug cabinet； Drug storage position； Optimize

隨著“新醫改”政策在公立醫院改革中的廣泛推行[1-2]及現代科學技術的飛速發展，醫院藥房需要不斷完善自身信息化管理系統，并建設以自動化設備為基礎的智能化藥房，從而提高自身的經營效率和服務品質。如何嚴格管理與維護自動化設備，合理分配人與機器之間的任務，在充分發揮自動化設備的使用效益的同時防范相關醫療錯誤，加強智能化藥房建設，成為現在醫院智能化藥房質量管理的重要內容之一[3-5]。

我院于2013年6月完成了智能化藥房CONSIS系統建設，其中智能藥柜作為自動發藥設備重要的組成部分，實現了藥品精細化管理，提高了藥品的儲存與調配管理水平[6]，使藥師有更多時間為醫護人員及患者提供更優質的藥學服務。但目前，我國醫院藥房在智能化建設方面仍處于初級階段，智能藥柜在優化庫存、提高配藥效率及安全性等方面有待完善[7]。同時，在智能藥柜藥品儲存管理方面的相關文獻報道相對較少，可供借鑒的相關經驗較少。因此，為了提高智能藥柜的工作效率、縮短患者的候藥時間，我院藥學人員通過對我院門診藥房的處方數據、藥品信息和臨床用藥規律進行分析，運用數據挖掘關聯規則方法科學設置智能藥柜布局，將有關聯的藥品存放在相鄰的位置，并將發藥頻次少的藥品移出智能藥柜，獲得了較好的效果，現介紹如下，希望為同行對智能藥柜的管理提供借鑒。

1 數據來源

調取我院門診藥房CONSIS系統2017年6月的44 916張處方，對處方信息進行數據提取分析，包括每張處方上的藥品品種、每個品種藥品的發藥量和發藥頻次。

2 統計人工發藥頻次排名高的藥品

統計出由藥師人工調配的品種共有236個，人工發藥次數共25 024次。最后選出人工發藥頻次最高的48種藥品并依次排序，這48種藥品人工發藥頻次占總人工發藥頻次的81.1%，每種藥品發藥頻次均≥72次。人工發藥頻次排名前48位的藥品見表1。

3 納入與排除標準

3.1 納入標準

包含人工發藥頻次排名前48位的藥品的處方。

3.2 排除標準

（1）未包含人工發藥頻次排名前48位的藥品的處方。（2）僅含有1種人工發藥頻次高的藥品的處方。

4 關聯規則分析

關聯規則（Association rule）是在大量的看似沒有任何關系的數據中，發現數據間存在的潛在的關聯關系，分析事物之間的關聯性[8]。比如可通過關聯規則統計出2個不同類的藥品出現在同一處方中的可能性。

4.1 關聯規則的數據預處理

運用Excel的關聯規則挖掘工具[9]，使用Apriori算法分析上述48個藥品品種使用情況。藥品數據處理時首先將數據輸入Excel表中，制成矩陣圖。若某藥品出現在處方中，則其取值定為“1”，若某藥品未出現在處方中，則不需錄入任何數據。在2017年6月份的44 916張處方中，針對這48種藥品提取出 527條患者處方信息，即數據出現總條數（D）為527。由此建立Excel表格作為數據庫后才可運用該軟件進行計算。數據庫建立示例見圖1。

4.2 參考關聯規則調整藥品位置

運用關聯規則可分析不同品種藥品同時出現在同一處方中的可能性，即不同藥品間是否潛在某種關聯性。根據關聯規則所得結果，將有關聯的藥品擺放在智能藥柜相鄰或相近的抽屜，為藥師設置智能藥柜布局提供科學客觀的建議。

4.2.1 參考關聯規則的支持度調整藥品在智能藥柜內的位置 在關聯規則中，“藥品A =>藥品B”的支持度是指同時使用藥品A和藥品B的概率，用以度量藥品間關聯規則的頻次與重要性。記為“support（A=>B）=A和B同時出現頻次/數據出現總條數=count（A∪B）/count（D）”。以此計算48個藥品各品種間的關聯性，同時出現的頻次及支持度排名前20的藥品見表2。

由表2可見，頻次排在第1的是氯吡格雷片與阿托伐他汀鈣片，38次，支持度為7.21，即可優先將阿托伐他汀鈣片與氯吡格雷片放在智能藥柜內的相鄰位置，其次將頻次排序第4的艾司唑侖片放在阿托伐他汀鈣片附近位置，頻次排序排序第6的瑞舒伐他汀鈣片則可放在氯吡格雷片附近的位置。另外，呋塞米片和螺內酯片同時出現的頻次為26，支持度為4.93，排在第2位，可將這2種藥品可放在智能藥柜內相鄰位置，然后將頻次排序第7的阿司匹林腸溶片放在螺內酯附近的位置，將頻次排序第5的泮托拉唑腸溶片放在阿司匹林腸溶片附近的位置，由此類推，最終確定這48個藥品在智能藥柜中的位置。

4.2.2 參考關聯規則的置信度調整藥品在智能藥柜內的位置 在關聯規則中，“藥品A=>藥品B”的置信度是指在使用藥品A的基礎上再使用藥品B的概率，以此度量藥品間關聯規則的強度、可靠性。記為“confidence（A=>B）=A和B同時出現頻次/A出現的總頻次=count（A∪B）/count（A）”。

按置信度排序前20位的藥品見表3。

由表3可見，置信度排序第1的是坦索羅辛緩釋膠囊，泮托拉唑腸溶片與甲潑尼龍片，置信度為2.07，提示在處方中出現坦索羅辛緩釋膠囊、泮托拉唑腸溶片的基礎上再出現甲潑尼龍片概率最高，可將這3個藥品優先放在藥柜相近位置。排序第2的是阿法骨化醇軟膠囊 、 氯吡格雷片，復方甲氧那明膠囊可擺放在與這2個藥相近的位置，由此類推。但同時注意須按藥房工作環境等實際情況調整藥品的位置。

在調整智能藥柜內藥品位置時，均可參考關聯規則藥品間的支持度與置信度。但支持度更能體現2個藥品之間的相互關系，而置信度則可以體現2個或2個以上藥品的關聯性。因此可根據具體實際工作情況，參考關聯規則藥品的支持度或置信度來調整藥品位置。

5 智能藥柜內藥品儲位優化效果

5.1 智能藥柜內藥品儲位調整情況

本藥房參考關聯規則分析結果，最終共調整了智能藥柜中30個藥品的儲位，將有關聯的藥品擺放在智能藥柜相鄰位置，并將出現頻次較高的藥品，例如氯吡格雷片、阿托伐他汀鈣片、呋塞米片、螺內酯片、坦索羅辛緩釋膠囊、非那雄胺片等藥品放在藥師較容易拿取的地方，方便藥師取藥。另外在智能藥柜內增加克感利咽口服液、抗病毒口服液、肺力咳口服液等14種原本由人工調配的機外藥品。

5.2 實時窗口患者候藥時間

收集我院藥房2017年6月15 465張處方信息（智能藥柜中藥品儲位調整前）與2017年11月16 108張處方處方信息（智能藥柜中藥品儲位調整后），提取CONSIS系統中的相關數據，統計患者的候藥時間，比較智能藥柜中藥品儲位優化前后實時窗口患者平均候藥時間。結果表明，通過調整智能藥柜藥品品種和藥品儲位，實時窗口患者平均候藥時間從優化前的7.20 min縮短至5.77 min，縮短了1.43 min。使用SPSS 22.0軟件中配對t檢驗進行分析，調整前、后兩組數據對比，差異均有統計學意義（P<0.05），詳見表4。

6 討論

6.1 采用關聯規則能有效優化智能藥柜內藥品儲位

智能藥柜作為自動發藥機實時窗口藥品調劑的補充，分別擺放在智能化藥房實時窗口發藥藥師位置旁。由于智能藥柜屬于半自動設備，當藥柜系統收到信息后會自動彈出抽屜，藥師根據指示人工取藥，所以在此過程中，人機配合十分重要[10]。為進一步促進人機的相互配合，提高藥師和智能藥柜的調配速度和準確性，合理調整智能藥柜藥品儲存量和科學設置智能藥柜布局是關鍵[11-12]。我院藥師基于關聯規則，結合支持度、置信度的判定，對48種人工調配頻次高的藥品進行分析，統計不同品種藥品同時出現在同一張處方中的可能性，由此確定藥品擺放規律，重新調整智能藥柜內藥品的儲位。從而方便藥師取藥，減輕藥師工作壓力，縮短患者候藥時間，也可為智能化藥房建設提供客觀的參考建議。

6.2 關聯規則方法優化藥品儲位優缺點

在藥房的處方調配中，單張處方經常出現包含2種或多種藥品的現象，但這幾種藥品之間并不能以藥理作用體現各藥品間的密切關系，難以找出其規律。而使用關聯規則，由于其算法結構簡單，可基于規則支持度、置信度定量測量藥品間的關聯，從而可保證優化藥品儲位的方法合理性與結果的客觀性。

但筆者認為，在實際工作中還需注意由于季節變化或醫院用藥目錄的改變等原因而影響藥品的用量，故應該根據藥房自身實際用藥變化調整藥品在智能藥柜內的儲位。在關聯規則分析過程中，數據統計軟件需要與醫院信息系統（HIS）結合，并需要收集大量的候選集，以及對數據庫的全部記錄進行重復掃描，故數據的預處理非常煩瑣復雜，可能會耗費過多的人力物力資源[13]。所以本藥房在實際操作中，一旦確定好各藥品儲位，只在需要時統計單獨的需要拆零的新進藥品，其中發藥頻次高者則單獨加入智能藥柜中。另外，若發現發藥頻次減少或不再使用的藥品，便立即移出智能藥柜即可，無需頻繁使用關聯規則重新調整智能藥柜內的所有藥品。

6.3 數據挖掘在智能化藥房中的應用

隨著信息化水平的不斷進步，數據挖掘技術在醫學藥學領域中已被廣泛使用[14]，數據挖掘技術能夠描述大量整體數據的潛在關系并預測其發展趨勢，找出具有較高決策價值者，為工作與管理等提供參考指導。對于智能化藥房藥品儲位設計，可運用多種數據挖掘方法對藥品處方信息和藥房發藥量進行分析，根據本院醫師臨床用藥特點結合距離優先原則，對機內外藥品儲位進行更合理的設計，從而縮短取藥路徑，減少藥師工作壓力，提高智能化藥房工作效率[15-16]。

參考文獻

[ 1 ] 李鐵，王躍芬.關于藥品零差價的幾點思考[J].中醫藥管理雜志，2012，20（10）：990-992.

[ 2 ] 王軼，張留弟，陳璐，等.新醫改背景下基于VMI模式建立的醫院藥房管理新模式探討[J].中國藥房，2015，26（28）：3953-3956.

[ 3 ] 國家衛生和計劃生育委員會醫政醫管局.關于加強藥事管理轉變藥學服務模式的通知[S]. 2017-07-12.

[ 4 ] 合理用藥國際網絡中國中心組臨床安全用藥組，藥物不良反應雜志.智能藥柜應用環節用藥錯誤識別與防范指導原則[J].藥物不良反應雜志，2016，18（2）：83-87.

[ 5 ] PELAYO S，HASSLRE S，BERNONVILE S. Safety-oriented usability test of a semi-automated unit dose system：role of task allocation between human and machine[J]. Stud Health Technol Inform，2013，194（1）：103-109.

[ 6 ] 陳聰，沈穎燕，陳秀蘭，等.動作分析原理在智能藥柜精細化管理應用的研究分析[J].今日藥學，2018，28（3）：175-178.

[ 7 ] 張琪，梁欣，劉洋，等.智能藥柜在美國醫院的應用概況及在我國的發展[J].中國藥房，2016，27（13）：1865-1867.

[ 8 ] JIAWEI HAN，MICHELINE KAMBER.數據挖掘概念與技術[M].范明，孟小峰，譯. 2版.北京：機械工業出版社，2007：196-203.

[ 9 ] 周怡.衛生信息與決策的支持[M].北京：人民衛生出版社，2014：53-70.

[10] 高善榮，田佳鑫，李培紅. EIQ-ABC分析方法在藥房自動化方案設計中的應用[J].中國藥房，2014，25（33）：3118-3121.

[11] MCCARTHY BC，FERKER M. Implementation and optimization of automated dispensing cabinet technology[J]. Am J Health Syst Pharm，2016，73（19）：1531-1536.

[12] ONEIL DP，MILLER A，CRONIN A，et al. A comparison of automated dispensing cabinet optimization methods[J]. Am J Health Syst Pharm，2016，73（13）：975- 980.

[13] 張寅，謝雁鳴，陳岑，等.基于關聯規則Apriori 算法的真實世界復方苦參注射液治療惡性腫瘤西藥聯合應用特征研究[J].中南藥學，2016，14（12）：1281-1286.

[14] 沈小慶，盛炳義，方曙，等.數據挖掘技術在醫院藥學中的應用[J].中華醫院管理雜志，2006，22（8）：549-551.

[15] 甘永祥，張淑蘭.數據挖掘在自動化藥房中的應用[J].中國醫院藥學雜志，2013，33（19）：1621-1622.

[16] 王汾雁，李志蜀，鐘涵，等.數據挖掘技術在中藥自動發藥系統中的應用[J].計算機應用研究，2007，24（9）：31-33.

（收稿日期：2018-06-18 修回日期：2018-09-10）

（編輯：劉 萍）