انفورماتیک داروسازی (Pharmacy Informatics) | تعریف، کاربردها و نقش در سلامت دیجیتال
دات نت نیوک
Menu

Kiro Oncology System

KIRO Oncology is the next-generation system for automated compounding of intravenous treatments,including cytotoxics

  and biologicals

Self-cleaning biosafely cabinet Guided manual loading and labelling with checks
Two robotic arms Parallel compounding tasksin enclosed environment

فارماکوویژیلانس (Pharmacovigilance)

انفورماتیک داروسازی

انفورماتیک داروسازی (Pharmacy Informatics) | تعریف، کاربردها و نقش در سلامت دیجیتال

داروخانه ها امروزه در اکثر کشورهای توسعه یافته و در حال توسعه تقریباً در همه جنبه های کاریشان با فن آوری های مختلف درگیرند. معمولاً مشوق های دولتی با هدف بهبود کیفیت و مراقبت به صرفه تر از بیماران، سیستم های بهداشتی درمانی را به سمت پذیرش و کاربرد فن آوری اطلاعات سلامت سوق می دهد.

در واقع، انفورماتیک بر هر سه حوزه علوم پایه داروسازی (به عنوان مثال فارماکوگنومیک، شیمی دارویی، فارماکوکینتیک)، مدیریت و فن آوری دارویی (به عنوان مثال داروشناسی، اقتصاد دارو، طراحی مطالعات) و تجارب بالینی داروخانه (به عنوان مثال درمان شناسی، اطلاعات دارویی، تشخیص های پزشکی و مشاوره بیمار) تأثیر می گذارد.

انفورماتیک، مطالعه بهترین تجارب کاری در بکارگیری فن آوری های مناسب به منظور اداره، اشاعه و فهم اطلاعات است. انفورماتیک داروسازی در خصوص زیرگروهی از علم انفورماتیک بحث می کند که به داروخانه و امور دارویی مربوط است.

انفورماتیک پزشکی به محاذاتی که سیستم های بهداشتی درمانی برای اداره داده ها، ارتباطات، پشتیبانی تصمیم و نهایتاً بهبود مراقبت از بیمار بیشتر متکی به فن آوری اطلاعات گردید اهمیت بیشتری یافته است. انجمن انفورماتیک پزشکی آمریکا (AMIA) این رشته را اینگونه تعریف می کند: «استفاده از فن آوری و علم اطلاعات برای بسط و گسترش دانش پزشکی و بهبود کیفیت مراقبت و ارتقاء عملکرد سیستم سلامت» . بطور کلی انفورماتیک پزشکی یک حوزه علمی به سرعت در حال توسعه است که در خصوص منابع، ابزار، تجهیزات و روش های فرموله شده بهینه سازی اداره ،ذخیره سازی و بازیابی اطلاعات بیومدیکال برای حل مشکلات و تصمیم گیری های مقتضی در این حوزه بحث می کند.

با کنار هم قراردادن این تعاریف مختلف می توان انفورماتیک داروسازی (Pharmacy Informatics) را جزئی مهم از انفورماتیک پزشکی دانست که داروسازان و تکنیسین های داروخانه ها با استفاده از دانش سیستم های اطلاعاتی و تجویزات دارویی، فرایندهایی را در امر مراقبت از بیماران بکار گیرند که این اطمینان حاصل شود که فن آوری های جدید منجر به استفاده مؤثرتر و ایمن تر دارو توسط بیماران گردد که اصطلاحاً متضمن کامپیوتری کردن امور داروخانه هاست. البته داروسازان نه تنها نیاز دارند که شناخت کافی از سیستم های کامپیوتری مورد استفاده شان داشته باشند بلکه بایستی سیستم های وسیعتری از جمله سیستم های یکپارچه بیمارستانی و اتوماسیون های محیطی که به این سیستم های متصلند را نیز به قدر کافی بشناسند.

مدل کاری ما برای انفورماتیک داروسازی بر اساس این ایده استوار است که داروسازان بایستی از مهارت های فن آوری و اطلاعات خود برای ادغام و یکپارچه سازی اطلاعاتی که در خصوص  داروها دارند با اطلاعات مرتبط با مقولات بیمار که از منابع مختلف حاصل شده است به منظور دستیابی به یک مراقبت بیمار محور استفاده نمایند.


اطلاعات درباره داروها مشتمل است بر مقالات و نوشته های علمی و آکادمیک و منابع اطلاعاتی الکترونیک، بیمارستان و سیستم های اطلاعاتی دارویی، فارماکوکینتیک و فارماکوگنومیک و اطلاعات مرتبط با بیمار عبارتند از امنیت داروها، پرونده الکترونیک پزشکی، سیستم های پشتیبان تصمیم و تجارب مربوط به پزشکی مبتنی بر شواهد.

مهارتهایی که برای بکار گیری این دانش در مراقبت بیمار - محور مورد نیاز هستند شامل مهارتهای جستجوی وب و مقالات، فهم پایگاه های داده و تعاریف و فرهنگ لغات کنترل شده به منظور تعاملات بین سیستمی و امکان جستجوی بهینه در پایگاه های داده مشابه است. علاوه بر آن داروسازان نیاز دارند بدانند چگونه می توانند به اطلاعات پزشکی کامیوتری شده در پایگاه های داده مختلف دسترسی یابند و بدانند چگونه از این بانک های اطلاعاتی می توانند در راستای افزایش بهره وری در کار خود بیشترین استفاده را نمایند. بایستی اجزا و عناصر و نیز عملکردهای مورد نیاز برای ساختن سیستم های مؤثر و کارامد را بشناسند. همه این مهارتهای اطلاعات و فن آوری بایستی پزشک داروساز را کمک نماید تا واضحاً بتواند تصویر پیچیده مدیریت داروها را برای هر بیمار بخصوص ببیند و بهترین تصمیمات ممکن را برایش بگیرد.

روندهای نوظهور در انفورماتیک داروسازی

در دهه اخیر، انفورماتیک دارو از یک سیستم پشتیبان ساده به ستون فناوری مراقبت دارویی تبدیل شده است. تلفیق terminology standards مانند NDC، ATC و LOINC با ساختارهای EHR، امکان تبادل معنادار داده‌های دارویی را فراهم کرده است. چالش اصلی امروز، مدیریت polypharmacy در سالمندان و جلوگیری از drug-drug interactions (DDIs) و adverse drug events (ADEs) در مقیاس جمعیتی است. مقاله حاضر، آخرین نوآوری‌ها را در سه حوزه اصلی: تجویز هوشمند، اتوماسیون توزیع و هوش مصنوعی در ایمنی دارو بررسی می‌کند.

سیستم‌های پشتیبانی تصمیم بالینی مبتنی بر یادگیری ماشین (ML-CDSS)
سیستم‌های سنتی مبتنی بر قواعد (Rule-based) جای خود را به مدل‌های Gradient Boosting و شبکه‌های عصبی عمیق داده‌اند که می‌توانند تفاعلات دارویی پیچیده سه‌طرفه و چهارطرفه را پیش‌بینی کنند. این مدل‌ها با تحلیل داده‌های ساختاریافته (مثل کدهای ATC) و نیمه‌ساختاریافته (یادداشت‌های بالینی)، ریسک نارسایی کلیوی ناشی از دارو (DKI) را با AUC بالای ۰.۹۴ تشخیص می‌دهند.
تجویز الکترونیک معنایی با استانداردهای بین‌المللی
تبادل داده بین EHR و سیستم اطلاعات داروخانه (PIS) مبتنی بر FHIR (Fast Healthcare Interoperability Resources) به همراه ترمینولوژی‌هایی مانند RxNorm برای دوز دقیق و SNOMED-CT برای نشانه‌شناسی دارویی، خطاهای medication reconciliation را تا ۴۰٪ کاهش داده است. همچنین Medication Therapy Management (MTM) به کمک الگوریتم‌های BPMN خودکار شده است.
داروخانه خودکار و رباتیک توزیع
استفاده از Automated Dispensing Cabinets (ADC) متصل به RFID و سیستم‌های کدگذاری دوز واحد (Unit-dose barcode scanning) در کنار IV robotics برای ساخت انفوزیون‌های استریل، میزان خطای انسانی در داروخانه‌های بیمارستانی را به زیر ۰.۱٪ رسانده است. الگوریتم‌های نظریه صف (Queueing theory) برای بهینه‌سازی چیدمان داروها و کاهش زمان انتظار بیماران در داروخانه‌های سرپایی استفاده می‌شوند.
فارماکوویژیلانس مبتنی بر متن کاوی (Text Mining for ADR detection)
با به‌کارگیری پردازش زبان طبیعی (NLP) و حافظه طولانی کوتاه‌مدت (LSTM)، علائم واکنش‌های نامطلوب دارویی (ADRs) از یادداشت‌های پزشک و شکایات بیمار در پرتال‌های سلامت استخراج می‌شود. جدیدترین سیستم‌ها از Transformers (مانند BioBERT و PubMedBERT) برای شناسایی ADRهای نادر و تأخیری (مانند سمیت قلبی ناشی از دوکسوروبیسین پس از ۶ ماه) استفاده می‌کنند.

روندهای نوظهور
فارماکوژنومیکس بالینی درون EHR
ادغام داده‌های SNPها (مانند CYP2C19، CYP2D6، VKORC1) در سیستم کدگذاری بالینی دارو (CDS) امکان ارائه دوز شخصی‌سازی‌شده و پیش‌بینی متابولیسم دارو را فراهم کرده است. نمونه برجسته: Alert ژنتیک-دارویی برای کلوپیدوگرل که در صورت وجود الل *2CYP2C19، جایگزینی با تیکاگرلور را پیشنهاد می‌دهد.
بلاکچین در زنجیره تامین دارو
برای مبارزه با داروهای تقلبی (Counterfeit drugs)، رهگیری از تولید تا مصرف با استفاده از هوش بلاکچین (مثلاً Hyperledger Fabric) به همراه شناسه‌های یکتای کالا (GTIN) و بارکدهای ۲ بعدی با رمزنگاری نامتقارن در حال پیاده‌سازی در داروخانه‌های اروپایی است.
 
چالش‌ها (Challenges):
  1. عدم هماهنگی میان واژگان (مانند نگاشت ATC با SNOMED CT)
  2. مسائل حریم خصوصی در داده‌های ژنتیکی و شکایات دارویی (GDPR و HIPAA)
  3. مقاومت داروسازان در برابر مدل‌های جعبه سیاه (Black-box AI) به دلیل عدم تفسیرپذیری
  4. هزینه‌های زیرساختی برای پیاده‌سازی ADC و رباتیک

انفورماتیک دارو به سرعت از اتوماسیون ساده به سمت هوشمندی پیش‌بینی‌گر و شخصی‌شده حرکت می‌کند. پیاده‌سازی AI-CDSS همراه با استانداردهای معنایی مانند FHIR و داروخانه‌های خودکار، آینده داروسازی را به سمت دقت بالا و خطای نزدیک به صفر هدایت می‌کند. انجمن جهانی داروسازی (FIP) باید توسعه چارچوب‌های اخلاقی برای AI تفسیرپذیر در داروسازی و آموزش داروسازان دیجیتال (Digital Pharmacists) را در اولویت قرار دهد.

 
منابع پیشنهادی جهت مطالعه:
  1. J Am Med Inform Assoc. 2024; CDSS based on Gradient Boosting for DDI prediction.
  2. Int J Med Inform. 2023; FHIR-based e-prescribing and medication reconciliation.
  3. Artif Intell Med. 2024; BioBERT for ADR extraction from clinical notes.
  4. Res Social Adm Pharm. 2025; Blockchain for counterfeit drug prevention.
  5. Pharmacy (Basel). 2024; Automated dispensing robots in hospital pharmacies.

معرفی کتاب