WHO最近把「Medication Without Harm」視為全球最重要議題推動，並在2017年德國波昂召開的會議中定下明確目標：5年內降低50％的用藥傷害。
台灣的醫院一直落實「三讀五對」的給藥規範，以確保病患的用藥安全，但在繁忙的臨床作業中，醫師常因病情變化而調整用藥，若只以人力核對，很難完全落實用藥安全；而利用物聯網科技輔助用藥安全，為當前唯一的解方。
麻醉管制藥品監管是一家醫院最重要的藥品管理核心，如果出現任何差錯，常會演變成重大醫療疏失。此時，智慧藥櫃搖身一變成為最佳利器。
依照管制藥品領藥規定，必須同時兩人取藥，利用醫事人員卡和3D人臉辨識、再連動到院內值班系統，對於取藥身分做最嚴格的把關。根據不同醫院用藥習慣，彈性組合藥物放置空間；取藥時利用AI藥品影像辨識比對藥名與數量，確保正確的醫師調劑處方；最後再連動醫院藥劑部的藥品系統，時時盤點，確保全醫院的用藥情形安全無虞。
常在醫囑開立時發生！智慧藥櫃把關用藥風險
醫院的化療藥物調劑室為受嚴格管制的特殊區域，因此通常設置在和一般病患施打藥劑地點一段距離以上的空間。
利用3D圖資與內建LiDA（認知架構）的運送機器人，可以安全且精確地在調劑室與護理站之間穿梭；調劑藥師通過3D人臉識別之後，將調劑好的化療藥劑鎖入內嵌RFID的感應門鎖；送達化療病房後，責任護理師經過3D臉部辨識認證，取出藥物進行投藥。
整個過程不但能避免因人力運送化療藥物可能發生的傾倒，以及化療藥劑領取時人員認證的管控風險，藥物取放時間點、實時位置與人員身分都即時連線院內系統，確保整個化療用藥流程的絕對安全與精準管理。
台灣在醫療健保普及的制度下，民眾用藥頻率極高，藥物事件造成的風險隨時都在發生：
台灣藥物事件發生地點
以藥局為主（36.2％），其次是一般病房（住院，32.2％），發生階段，以醫囑開立與輸入（54.9％）最多，其次為給藥階段（23％）、藥局調劑階段（20％）
醫囑開立與輸入階段
以重複用藥（18.4％）最多，劑量錯誤（16.4 ％）次之
藥局調劑階段
以藥名錯誤（44.9％）最多，數量錯誤（20.8％）次之
給藥階段
以劑量錯誤（22.5％）為最多，藥名錯誤（15.5％）次之
為了降低用藥錯誤次數，利用AI人工智慧，串聯機率、藥品資料庫與深度學習，扮演藥品守門人，及時攔截不正確的藥物事件。
將AI應用於用藥辨識的方式相當多元，例如導入台灣健保資料庫與大型醫院提供的電子病歷，實行無監督學習，讓AI學習醫師開立處方的行為，進一步判斷醫囑開立後是否有藥物名稱與該病症無任何關聯，進而發出系統警示。
抑或將藥品辨識導入藥局調劑階段，利用AI藥物影像辨識技術快速識別從藥櫃中取出的藥物名稱、外型和數量，隨後從藥品資料庫帶出藥性、藥物副作用等相關資訊，使藥物調劑時更快辨認是否與處方籤相符，減少取藥錯誤。
兩招處理圖像，無論裸錠、鋁箔包、液裝或盒裝都看得懂
無論是裸錠、鋁箔包裝、液裝或盒裝的AI 藥物影像辨識，前提都需要教導AI進行幾何變換（geometric transformations）：包含放大、縮小、旋轉；顏色亮度、對比度、色調修正；圖像融合（image composite），拍攝影像與影像資料庫的加、減、組合、拼接；降噪（image denoising ／noise reduction），影像上的雜訊來自硬體或環境光等因素，如果影像雜訊太多，將會影響邊緣檢測與影像分割的準確性，因此如何過濾影像上的雜訊並保留有效訊息就相當重要。
邊緣檢測（edge detection）與影像分割（image segmentation）的配合，能將一張影像分割成多個不同區域，並準確擷取局部特徵，讓AI進而認識藥物形狀、大小、顏色、文字、數量等特徵，最後根據前述擷取的影像資訊，與藥品資料庫進行配對，即可精準告知使用者藥物名稱和相關資訊。
AI藥物辨識技術大致可分成兩種：1：1 和1：N，前者的應用多為醫療中心藥劑部調劑時，驗證管制藥或高貴藥的身分；後者則應用在預防取用多種藥品時的錯誤。
以技術難度來看，1：N的難度比1：1還要高，因為1：N的藥物辨識更容易受藥物類型、拍攝角度、拍攝方向、拍攝距離、環境光等因素影響辨識準確度。
因此在現階段，藥物影像辨識技術與藥物辨識機構的配合度相當重要，產品設計者需針對不同類型藥物提供適合的辨識環境，以降低這些干擾因素。
責任編輯：張庭銉
