DOI: https://doi.org/10.1136/bmjopen-2025-109192
PMID: https://pubmed.ncbi.nlm.nih.gov/41877326
تاريخ النشر: 2026-03-01
المؤلف: Félicien Hêche وآخرون
الموضوع الرئيسي: سلامة المرضى وأخطاء الأدوية
نظرة عامة
تحدد قسم ورقة البحث مراجعة نطاق تهدف إلى معالجة المشكلة المستمرة لأخطاء الأدوية، التي تظل مصدر قلق كبير للصحة العامة على الرغم من التدخلات المختلفة. تركز المراجعة على تطبيق تقنيات التعلم الآلي (ML) للتنبؤ بهذه الأخطاء واكتشافها طوال عملية استخدام الأدوية. من خلال رسم خريطة منهجية للأدبيات الموجودة، يعتزم المؤلفون تحديد نطاق تطبيقات التعلم الآلي، وتوصيف الاتجاهات المنهجية، وتسليط الضوء على الفجوات المعرفية في هذا المجال. الهدف النهائي هو تقديم نظرة عامة منظمة يمكن أن تساعد الأطباء والباحثين في تطوير ممارسات دوائية أكثر أمانًا تعتمد على البيانات.
تتبع منهجية المراجعة إرشادات العناصر المفضلة للتقارير للمراجعات المنهجية والتحليلات التلوية الممتدة لمراجعات النطاق. ستشمل عمليات بحث منظمة في قواعد البيانات مثل PubMed وEmbase وWeb of Science، تغطي الأدبيات المنشورة من 1 يناير 2015 إلى 28 أبريل 2025. ستطبق المراجعة معايير شمول واستبعاد محددة مسبقًا لاختيار الدراسات المؤهلة، واستخراج المعلومات الرئيسية المتعلقة بنماذج التعلم الآلي، ومصادر البيانات، وطرق التقييم، والسياقات السريرية. ستستخدم التحليل إحصائيات وصفية، وتصويرات، وتحليل موضوعي، وتركيب سردي لتقديم النتائج بشكل شامل. نظرًا لأن الدراسة تستعرض الأدبيات الموجودة دون إشراك المشاركين البشريين أو البيانات الشخصية، فإنها لا تتطلب موافقة أخلاقية.
مقدمة
تتناول مقدمة ورقة البحث القضية الحرجة لأخطاء الأدوية، التي تُعرف بأنها إخفاقات في عملية العلاج يمكن أن تضر بالمرضى. في إنجلترا، يتم الإبلاغ عن أكثر من 237 مليون خطأ دوائي سنويًا، يؤثر على 23% من الأدوية الموصوفة في مراكز السرطان الخارجية، مما يؤدي إلى أضرار يمكن تجنبها في حوالي 3% من المرضى. يمكن أن تحدث هذه الأخطاء في أي مرحلة من مراحل عملية الأدوية وتتأثر بعوامل متعددة مثل التعب وحجم العمل. تتراوح العواقب من إزعاجات بسيطة إلى أحداث سلبية خطيرة للأدوية، مما يسهم في زيادة تكاليف الرعاية الصحية وإطالة فترات الإقامة في المستشفى. استجابةً لذلك، بدأت وكالات الصحة المختلفة، بما في ذلك منظمة الصحة العالمية والخدمة الصحية الوطنية، حملات لتعزيز سلامة الأدوية.
تسلط الورقة الضوء على إمكانيات طرق التعلم الآلي (ML) في معالجة أخطاء الأدوية، نظرًا لنجاحها في مجالات متنوعة مثل تحليل الصور الطبية وتقييم مخاطر التجارب السريرية. قدرة التعلم الآلي على تحليل مجموعات البيانات المعقدة يمكن أن تكشف عن علاقات معقدة بين خصائص المرضى والعلاجات والنتائج، والتي غالبًا ما يكون من الصعب تحديدها من خلال الطرق التقليدية. تهدف هذه الدراسة إلى إجراء مراجعة نطاق لرسم خريطة منهجية للدراسات الموجودة حول تطبيقات التعلم الآلي في التخفيف من أخطاء الأدوية، وتقديم رؤى قيمة لكل من المتخصصين في الرعاية الصحية والباحثين. ستتبع المراجعة إرشادات PRISMA-ScR وستستخرج معلومات رئيسية من الدراسات ذات الصلة لإبلاغ التطورات المستقبلية في حلول التعلم الآلي لسلامة الأدوية.
طرق
في هذا القسم، يحدد المؤلفون بروتوكولًا منهجيًا لإجراء مراجعة أدبية، مقسمة إلى خمس مراحل أساسية. تتضمن المرحلة الأولى صياغة أسئلة بحث محددة توجه عملية المراجعة. تركز المرحلة الثانية على تحديد الأدبيات ذات الصلة التي تعالج هذه الأسئلة. بعد ذلك، تتضمن المرحلة الثالثة اختيار الدراسات التي تلبي معايير الشمول المحددة مسبقًا. تُخصص المرحلة الرابعة لرسم البيانات، حيث يتم تنظيم المعلومات الرئيسية من الدراسات المختارة. أخيرًا، تتضمن المرحلة الخامسة تركيب وتحليل النتائج، ودمج النتائج لاستخلاص استنتاجات ذات مغزى. تهدف هذه الطريقة المنظمة إلى ضمان مراجعة شاملة وصارمة للأدبيات الموجودة.
نتائج
في قسم النتائج من مراجعة النطاق، يحدد المؤلفون نهجًا متعدد الجوانب لتركيب وتحليل النتائج من الدراسات المضمنة. ستبدأ التركيبة بملخص وصفي قد يتضمن مؤشرات كمية، مثل عدد المنشورات السنوية، وأنواع البيانات المستخدمة، ونماذج التعلم الآلي (ML) المنفذة، والسياقات الطبية المعالجة. لتسهيل الفهم، يخطط المؤلفون لتضمين تمثيلات بصرية، بما في ذلك الرسوم البيانية الشريطية لتصوير توزيعات الفئات الرئيسية (مثل خوارزميات التعلم الآلي وأحجام مجموعات البيانات) والجداول الملخصة لتقديم المعلومات بشكل مختصر حول حالات الاستخدام، وأداء النماذج، وخصائص مجموعات البيانات.
بعد هذه المرحلة الاستكشافية، سيختار المؤلفون إطارًا تحليليًا مناسبًا لمزيد من التركيب، والذي قد يتضمن التحليل الموضوعي. يهدف هذا النهج إلى تحديد وتحليل وتفسير الموضوعات المتكررة عبر الدراسات، مما يوفر رؤى أعمق حول مشهد البحث والاتجاهات المنهجية ضمن هذا المجال.
مناقشة
تحدد قسم المناقشة من هذه الورقة البحثية بروتوكول مراجعة منهجية يهدف إلى تقييم تطبيق طرق التعلم الآلي (ML) في التنبؤ واكتشاف أخطاء الأدوية عبر سياقات طبية متنوعة. تُبنى المراجعة حول أربعة أسئلة بحث رئيسية تستكشف أنواع طرق التعلم الآلي المستخدمة، والإعدادات الطبية التي يتم تطبيقها فيها، ومصادر البيانات المعنية، والتحديات والنتائج المرتبطة بهذه الأساليب. تستخدم المراجعة منهجية صارمة تتماشى مع إطار PRISMA-ScR، مستفيدة من قواعد البيانات الببليوغرافية الرئيسية—PubMed وEmbase وWeb of Science—لضمان تحديد شامل للأدبيات.
يؤكد البروتوكول على أهمية استخراج معلومات مفصلة من الدراسات المختارة، بما في ذلك تصميم الدراسة، والسياق السريري، وخصائص البيانات، والمنهجيات المستخدمة في التعلم الآلي. بينما تهدف المراجعة إلى تقديم رؤى قيمة حول المشهد الحالي لتطبيقات التعلم الآلي في التخفيف من أخطاء الأدوية، فإنها تعترف بالقيود مثل تحيز اللغة والاختلاف المحتمل في تصميمات الدراسات، مما قد يؤثر على قابلية المقارنة. في النهاية، من المتوقع أن تسلط النتائج المتوقعة الضوء على استراتيجيات التعلم الآلي الفعالة وتحدد الفجوات البحثية، مما يوجه التحقيقات المستقبلية ويعزز سلامة المرضى في إدارة الأدوية.
DOI: https://doi.org/10.1136/bmjopen-2025-109192
PMID: https://pubmed.ncbi.nlm.nih.gov/41877326
Publication Date: 2026-03-01
Author(s): Félicien Hêche et al.
Primary Topic: Patient Safety and Medication Errors
Overview
The research paper section outlines a scoping review aimed at addressing the persistent issue of medication errors, which remain a significant public health concern despite various interventions. The review focuses on the application of machine learning (ML) techniques to predict and detect these errors throughout the medication use process. By systematically mapping the existing literature, the authors intend to identify the range of ML applications, characterize methodological trends, and highlight knowledge gaps in this area. The ultimate goal is to provide a structured overview that can aid clinicians and researchers in developing safer, data-informed medication practices.
The methodology for the review adheres to the Preferred Reporting Items for Systematic Reviews and Meta-Analyses extension for Scoping Reviews guidelines. It will involve structured searches in databases such as PubMed, Embase, and Web of Science, covering literature published from January 1, 2015, to April 28, 2025. The review will apply predefined inclusion and exclusion criteria to select eligible studies, extracting key information related to ML models, data sources, evaluation methods, and clinical contexts. The analysis will utilize descriptive statistics, visualizations, thematic analysis, and narrative synthesis to present the findings comprehensively. Since the study reviews existing literature without involving human participants or personal data, it does not require ethical approval.
Introduction
The introduction of the research paper addresses the critical issue of medication errors, defined as failures in the treatment process that can harm patients. In England, over 237 million medication errors are reported annually, affecting 23% of prescribed drugs in outpatient cancer centers and leading to preventable harm in approximately 3% of patients. These errors can occur at any stage of the medication process and are influenced by multifactorial elements such as fatigue and workload. The consequences range from minor inconveniences to severe adverse drug events, contributing to increased healthcare costs and prolonged hospital stays. In response, various health agencies, including the WHO and the National Health Service, have initiated campaigns to enhance medication safety.
The paper highlights the potential of machine learning (ML) methods in addressing medication errors, given their success in diverse fields such as medical image analysis and clinical trial risk assessment. ML’s ability to analyze complex datasets can uncover intricate relationships among patient characteristics, treatments, and outcomes, which are often challenging to identify through traditional methods. This research aims to conduct a scoping review to systematically map existing studies on ML applications in mitigating medication errors, providing valuable insights for both healthcare professionals and researchers. The review will follow the PRISMA-ScR guidelines and will extract key information from relevant studies to inform future developments in ML solutions for medication safety.
Methods
In this section, the authors outline a systematic protocol for conducting a literature review, structured into five essential stages. The first stage involves the formulation of specific research questions that guide the review process. The second stage focuses on identifying relevant literature that addresses these questions. Following this, the third stage entails the selection of studies that meet predetermined inclusion criteria. The fourth stage is dedicated to data charting, where key information from the selected studies is organized. Finally, the fifth stage involves the synthesis and analysis of the results, integrating findings to draw meaningful conclusions. This structured approach aims to ensure a comprehensive and rigorous review of the existing literature.
Results
In the results section of the scoping review, the authors outline a multi-faceted approach to synthesizing and analyzing the findings from the included studies. The synthesis will commence with a descriptive summary that may feature quantitative indicators, such as annual publication counts, types of data utilized, machine learning (ML) models implemented, and the medical contexts addressed. To facilitate understanding, the authors plan to incorporate visual representations, including bar charts to depict distributions of key categories (e.g., ML algorithms and dataset sizes) and summary tables to succinctly present information on use cases, model performance, and dataset characteristics.
Following this exploratory phase, the authors will select an appropriate analytical framework for further synthesis, which may include thematic analysis. This approach aims to identify, analyze, and interpret recurring themes across the studies, thereby providing deeper insights into the research landscape and methodological trends within the domain.
Discussion
The discussion section of this research paper outlines a systematic review protocol aimed at evaluating the application of machine learning (ML) methods in predicting and detecting medication errors across various medical contexts. The review is structured around four key research questions that explore the types of ML methods utilized, the medical settings in which they are applied, the data sources involved, and the challenges and outcomes associated with these approaches. The review employs a rigorous methodology aligned with the PRISMA-ScR framework, utilizing major bibliographic databases—PubMed, Embase, and Web of Science—to ensure comprehensive literature identification.
The protocol emphasizes the importance of extracting detailed information from selected studies, including study design, clinical context, data characteristics, and ML methodologies employed. While the review aims to provide valuable insights into the current landscape of ML applications for medication error mitigation, it acknowledges limitations such as language bias and the potential heterogeneity of study designs, which may affect comparability. Ultimately, the anticipated outcomes are expected to highlight effective ML strategies and identify research gaps, thereby guiding future investigations and enhancing patient safety in medication management.