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院，重慶400030）

截至2019年，新版國家基本醫保藥品目錄共計收載藥品2 643個。醫院及其藥房的體量均在不斷增加，很多醫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。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］。根據美國藥典發布的第八屆Medmark年度數據報告，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節，采用人工作業流程環節仍較多，藥物調劑錯誤發生概率較高［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

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，其中編輯操作包括插入、刪除、替換3種狀態。在程序實現中需使用動態規劃的思想，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轉變為S2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，構建一個函數文件Editdis用于后續應用調用。函數文件內容詳見圖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。藥品名稱從醫院信息系統（HIS）藥品字典中獲取，按文獻［6］方法編寫VBA程序，調用getpy（）函數將漢字轉換為拼音。然后在Matlab程序中調用Editdis函數，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管范圍，并假定重點監管的總體相似藥品對數為N（S≥δ）。為減少相似導致的差錯，2011年版《三級腫瘤醫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的總相似藥品對數中，未成對擺放在特定區域范圍內的比例。將聽似藥品對擺放位置處于同一藥架的數量記作n1、聽似藥品對擺放位置處于同一藥架層的數量記作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。便于后期優化。根據結果，住院藥房需重點優化管理，藥品目錄按相似類型歸類：同廠不同規格3對，同規格不同廠1對，不同規格不同廠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

藥品管理使用環節中，處方、調劑、配置、給藥等流程均可能出現錯誤［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實狀況。日常差錯的防范主要基于既往差錯分析及PDCA持續改進［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。《三級腫瘤醫院評審標準實施細則》等雖有相似藥品分開碼放的規定，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的風險性監督，尚缺乏有效的量化依據，缺乏科學化的管理和監督手段。有研究分析了調劑差錯率、復核漏檢率及錯誤發生率的內在關系，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計算，介紹了實現過程，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測指標。重點優化管理藥品目錄為后期藥品貨位優化、差錯防范方向提供了改進思路。該系列指標還能持續用于聽似藥品管理的日常監督，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等。

近年來，醫藥行業的信息化建設快速發展。研究顯示，可用機器學習減小處方錯誤和藥品不良事件［12］，通過分析醫囑和診斷聲明數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。