gms | German Medical Science

64. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

08. - 11.09.2019, Dortmund

Die Klassifikation von Ähnlichkeitseigenschaften von LASA-Medikamenten

Meeting Abstract

  • Thomas Schrader - Technische Hochschule Brandenburg, Brandenburg an der Havel, Germany
  • Laura Tetzlaff - Technische Hochschule Brandenburg, Brandenburg an der Havel, Germany
  • Cornelia Schröder - Technische Hochschule Brandenburg, Brandenburg an der Havel, Germany
  • Eberhard Beck - Technische Hochschule Brandenburg, Brandenburg an der Havel, Germany

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. 64. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS). Dortmund, 08.-11.09.2019. Düsseldorf: German Medical Science GMS Publishing House; 2019. DocAbstr. 291

doi: 10.3205/19gmds009, urn:nbn:de:0183-19gmds0091

Published: September 6, 2019

© 2019 Schrader et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. See license information at http://creativecommons.org/licenses/by/4.0/.


Outline

Text

Hintergrund: Im Krankenhaus ist das Problem der Verwechslung von Medikamenten auf Grund des ähnlichen Aussehens (look alike) und des ähnlichen Klanges (sound-alike) relativ gut untersucht. Dabei wird ein prozentualer Anteil von 12 bis 29% von allen unerwünschten Arzneimittelereignissen angegeben [1], [2], [3]. Treten solche Ereignisse auf, werden mitunter Meldungen an das Critical Incident Reporting System erzeugt. Aus solchen Berichten ergeben sich dann Listen mit look-alike und sound-alike (LASA-)Medikamenten. Anfang 2019 wurde die Liste des Bundesverbandes Deutscher Krankenhausapotheker e.V. (ADKA) nach drei Jahren aktualisiert. Damit wird diese Liste aber dem Problem der Medikamentenverwechselungen nicht gerecht, da pro Jahr allein in Deutschland 2000 Medikamente zugelassen werden.

Im Rahmen der hier vorliegenden Studie wurde die internationale, frei-verfügbare Arzneimitteldatenbank Drugbank bezüglich der orthographischen und phonetischen Ähnlichkeit untersucht. Ziel war es, eine Klassifikation der Ähnlichkeitsstrukturen durchzuführen.

Material und Methoden: In diese Studie wurde die Drugbank-Datenbank in der Version 5.1.3. vom 02.04.2019 eingeschlossen. Sie enthält 99754 Namen von Wirkstoffen und Produkten. Damit wurden 4.975.430.258 Paarvergleiche bezüglich der orthographischen und phonetischen Ähnlichkeit durchgeführt. Dabei wurden für die orthographische Ähnlichkeit folgende Parameter als Features eingeschlossen: Wortlängendifferenz, Levenshtein-Distanz, Levenshtein-Index, Jaccard-Index, Sörensen-Index, Jaro-Distanz, Jaro-Winkler-Index und Damerau-Levenshtein-Index.

Für die Bestimmung der phonetischen Ähnlichkeit wurden die Namen mit den Verfahren Soundex, Metaphone, NYSIIS und Match Rating Codex in ihre phonetische Entsprechung transformiert und dann die jeweilige Levenshtein-Distanz berechnet.

Basierend auf den 11 errechneten Features wurde ein KMean-Clusterung durchgeführt. Um eine angemessene Clusterung zu erzielen, wurden 2 bis 10 Cluster mit unveränderten, normalisierten und standardisierten Featureparametern bestimmt und mittels des Calinski-Harabaz-Score evaluiert.

Die Implementierung des Analysealgorithmus erfolgte in der Jupyter-Notebook-Umgebung unter Python 3 mit Einschluss der Bibliotheken Levenshtein, Numpy, Matplotlib, Pandas und Scikit-learn. Für die Bewertung der Verwechslungsgefahr wurden Ähnlichkeitswerte der Studie herangezogen, die auf der Analyse der Namen der LASA-Listen des Institute for Safe Medication Practices (ISMP) und des Bundesverbandes Deutscher Krankenhausapotheker e.V. (ADKA) beruht.

Ergebnisse: In den knapp 5 Milliarden Namenpaarungen wurden 907.719 Namespaare, die einen Levenshtein-Index von kleiner 0.4 aufweisen, identifiziert. Diese Paarungen wurden in die weiteren Berechnungen eingeschlossen. Der Schwellenwert resultiert aus den Analysen der o.g. LASA-Listen. Der höchste Calinski-Harabaz-Score wird erzielt, wenn die Daten ohne Normalisierung und Standardisierung in zwei Cluster geteilt werden. Lediglich nach Standardisierung der Featureparameter war die Einteilung in drei Cluster der Einteilung in zwei Cluster überlegen.

Diskussion: Die Clusterung der Namenspaare bezüglich der Werte ihrer orthographischen und phonetischen Ähnlichkeit stellt eine sehr gute Differenzierungsmöglichkeit der Ähnlichkeitseigenschaften dar. Das Verständnis von Mustern in den Namen der LASA-Medikamenten ist eine wesentliche Chance, um prospektiv ähnliche Medikamente zu identifizieren und im Alltag zu markieren und die Verwechslungsgefahr zu verringern. Mittels dieser Analyse lassen sich nun präventiv Maßnahmen beginnend bei Zulassung bis zur sicheren Aufbewahrung und Verteilung von Medikamenten planen und umsetzen.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.


Literatur

1.
Rahman Z, Parvin R. Medication errors associated with look-alike/sound-alike drugs: a brief review. Journal of Enam Medical College. 2015 Jun 29;5(2):110-7.
2.
Government of Canada. ARCHIVED - Executive Summary: Look-Alike Sound-Alike (LA/SA) Health Product Names Consultative Workshop. 2003 Oct 20 [cited 2019 Mar 14]. Available from: https://www.canada.ca/en/health-canada/services/drugs-health-products/biologics-radiopharmaceuticals-genetic-therapies/look-alike-sound-alike/executive-summary-look-alike-sound-alike-health-product-names-consultative-workshop-october-20-21-2003-health-canada.html External link
3.
American Hospital Association, American Society of Health-System Pharmacists. Medication safety issue brief, Look-alike, sound-alike drugs. Hospitals & health networks. 2005 Oct;79(10):57.