理解用藥錯誤，可以從兩則歷史新聞開始。十多年前，新北市有醫院錯把肌肉鬆弛劑當成B肝疫苗，7名新生兒被施打後，腦部出現異常反應，不幸釀成1死6傷慘劇。更久遠前，曾有民眾被狗咬傷，求助北市知名的教學型醫院，急診室醫師開藥時，卻將抗生素盤尼西林（Penicillin）誤植為急救用的高濃度鉀離子（Potassium），該位民眾當場心臟驟停。
這些案例留下的教訓猶在，而藥物劑量錯誤、使用方式混淆等醫療糾紛，從0.5顆變5顆、外用變口服，在大醫院、小診所都有可能上演。透過人工智慧AI技術，台北醫學大學團隊開發出的「智慧型藥物安全系統」，將有效降低用藥錯誤的風險。
用藥錯誤四大類，處方錯誤最難挽救
用藥錯誤的情況有多嚴重？從數據來看，2013年美國因醫療疏失死亡的人數約為25萬人，高居全美前三大死因。但醫療疏失涵蓋甚廣，其中，因用藥不當導致死亡者，約在1萬7千人到3萬5千人之間。每年，美國政府需花費300億美元處理因用藥錯誤衍生的醫療問題。
掌握最新AI、半導體、數位趨勢！訂閱《數位時代》日報及社群活動訊息
台北醫學大學醫學科技學院院長、萬芳醫院皮膚科主任李友專表示，原則上，用藥錯誤可能來自四個階段，依發生時序分別是處方錯、調劑錯、給藥錯以及病人錯誤服用。其中，最嚴重也最常發生的，是醫師在處方開立階段就出現錯誤，「這很難挽救，藥師也救不回來。」
台灣方面，李友專預估，一年約有1千7百萬張的不適當處方，若以每人每年平均看診15次計算，台灣每年3億4千5百萬處方箋中，不適當處方率近5%，這個比例和美國相當，接近全球平均。
「 醫療錯誤是全世界重要的課題，人類的天性就是會犯錯，只要量大，就有一定的比例會出錯。 」特別是，當藥方和病症並非絕對的一對一恆等式，而是一對多、多對一，乃至多對多的複雜交錯關係，李友專說，「光是普拿疼一種藥，就可以用在1,500種病上面」，加上醫師的獨門處方，或是各種慢性病症相互牽制等變因，都會影響下藥時的判斷，也讓不適當處方的認定難上加難。
不過，隨著人工智慧（AI）技術成熟，且被大量應用在醫療領域，面對棘手的用藥錯誤問題，是否有機會「斬草除根」，從錯誤發生前就加以預防呢？
AI扮守門人，診間即時攔截問題處方
李友專團隊決定從健保資料庫下手，他們利用台灣健保資料庫、大型醫院提供的電子病歷資料，加上科技部資源，徹底研究醫師處方行為，在分析7億張處方箋後，推導出數百億筆診斷、用藥的排列組合，再用不同的AI演算法，進一步判斷任一張處方箋中，是否有藥物無法被病症診斷、或其他的用藥解釋。
舉例來說，類固醇可能導致胃酸過多，醫師下藥後，必須再開制酸劑中和胃酸，「所以我們除了計算『病症診斷與用藥』之間的關聯，也算了『藥與藥』之間的關聯性。」
最後，李友專團隊以串連機率與深度學習的方式，開發出「智慧型藥物安全系統」（Advanced Electronic Safety of Prescriptions，AESOP），一旦處方中出現無法被解釋的用藥，即被認定為不適當處方，AESOP系統會即時跳出提醒，診間醫師看到了，可以再次檢視醫囑和處方，避免用藥錯誤的風險。
為了提高AESOP系統的準確度，該團隊也和醫學中心合作，持續兩年間，召集跨越10個科別、60個診間、60位醫師參與臨床實驗，檢視了約4萬張處方箋，目前可有效捕捉到50%至80%的不適當處方。而醫師在被提示的接受度上，也從初期的4成接受，導入機器學習後，提升到8成水準。
但李友專強調，每提示10次，有8次醫師可以接受，這又可再分兩大類，一類是真的會去改藥；另一類沒改的，也不代表處方就是錯誤，「因為可能沒有更好的做法，用藥沒有絕對的對錯。」
該團隊也發現，內科中的心臟科、腎臟科病因複雜，加上病患以年長者居多，容易受到其他慢性病用藥影響，醫師被提示錯誤的次數最多；相對來說，小兒科因用藥較單純，被提示的機率較低。
醫者仁心，人工智慧無法超越
具備醫師、學者和人工智慧專家的多重身分，面對醫師是否會被人工智慧取代的大哉問，李友專說，「沒有同理心的醫生最容易被取代。」
人工智慧成熟後，機器診斷、影像判讀等劃時代應用，都相對簡單，但如何表達關懷，流露醫者感性、人道的一面，在可預見的未來，仍看不到AI可以實現。或許，為醫病關係帶來正向循環，協助醫師專注本心和專業判斷，是這項研究、更是各種醫療AI應用背後的核心真義。
