تحليل قوانين ارتباطي در تجويز داروها با استفاده از الگوريتم FP-Growth به منظور بررسي تداخلات دارويي

مقدمه: اكتشاف الگوهاي پنهان در داده‌هاي دارويي، مي‌تواند به بهبود عملكرد داروخانه‌هاي بيمارستاني كمك كند. يكي از كاربردهاي الگوهاي پيشرفته تحليل داده‌ها، شناسايي تداخلات دارويي است.روش كار: اين مطالعه به روش داده‌كاوي با استفاده از الگوريتم FP-growth در محيط نرم‌افزار RapidMiner Studio® 10.1 براي استخراج قواعد ارتباطي و الگوهاي پرتكرار دارويي انجام گرفت. پيش‌پردازش داده‌ها و مدل‌سازي بر اساس مدل CRISP-DM انجام شد. نوع و سطح تداخلات دارويي بر اساس نتايج الگوريتم و با مراجعه به پايگاه اطلاعاتي www.drugs.com  تعيين گرديد.يافته ها: نتايج شامل 17 قاعده ارتباطي و 126 الگوي تجويز دارو بود كه از تك دارويي تا چهار دارويي متغير است. از 64 الگوي تجويز دو دارويي، 56 مورد فاقد تداخل، 6 مورد با تداخل متوسط (Moderate)، 1 مورد با تداخل جزئي (‌‌Minor) و 1 مورد با تداخل شديد (Major) گزارش شد. همچنين، از 19 الگوي سه دارويي، 18 مورد بدون تداخل و تنها 1 مورد داراي تداخل متوسط بود. در الگوي تجويز چهار دارويي هيچ تداخلي مشاهده نشد..نتيجه‌گيري: يافته‌هاي اين مطالعه مي‌تواند به ذي‌نفعان در بهبود زنجيره تأمين دارو، تجويز بهينه، كاهش تداخلات دارويي، كاهش هزينه‌ها كمك كند. چه بسا الگوهاي كشف شده مي‌توانند به عنوان بخشي از يك سيستم تصميم يار باليني مورد استفاده قرار بگيرند. هر چند كه تداخلات دارويي قابل توجهي در اين مطالعه مشاهده نشد، اما كشف حتي يك تداخل شديد (Major) اهميت بسزايي دارد و نقش كاربردي كامپيوتر را در پزشكي مي‌تواند آشكارتر سازد.