การจับคู่บัญชีรายการยาโรงพยาบาลกับบัญชีข้อมูลรายการยา TMT โดยใช้การประมวลผลภาษาธรรมชาติ
Article Sidebar
Main Article Content
บทคัดย่อ
บทนำ: บัญชีข้อมูลรายการยา TMT ถูกพัฒนาขึ้นเพื่อนำมาใช้ในระบบสุขภาพ เป็นมาตรฐานกลางสำหรับใช้ในการแลกเปลี่ยนข้อมูลทำให้ระบบสารสนเทศที่ใช้ซอร์ฟแวร์แตกต่างกันสามารถทำงานร่วมกันได้ และมุ่งเน้นในการนำไปใช้เพื่อตัดสินใจทางด้านคลินิก ซึ่งจะถูกนำมาใช้กับระบบสารสนเทศของโรงพยาบาลในอนาคต วิธีการดำเนินการวิจัย:ทำการจับคู่รายการยาระหว่างบัญชีรายการยาโรงพยาบาลกับบัญชีข้อมูลรายการยา TMT ได้แก่ การจับคู่กันของคำศัพท์ด้านยา (term) จำนวน 4 ประเภท และการจับคู่รายการยา (concept) จำนวน 6 กลุ่ม โดยใช้หลักการประมวลผลภาษาธรรมชาติเป็นเครื่องมือช่วยในการจับคู่ ผลการศึกษาวิจัย: ผลการจับคู่ พบว่าจับคู่คำศัพท์ชื่อยาทางการค้าได้98.5%,รูปแบบยา 17.9%,หน่วยวัดทางยา 100%, และชื่อบริษัทผู้ผลิต 89.1% จับคู่รายการยาในกลุ่ม SUBS ได้ 99.8%,VTM 99.6%, GP 86.1%, GPU86.1%,TP75.6% และ TPU 72.6% สรุปผลการวิจัย: การจับคู่คำศัพท์ด้านยา (term) และรายการยา (concept) เป็นหลักสำคัญที่บอกถึงความเหมือนหรือความแตกต่าง (gaps) ของบัญชีรายการยาโรงพยาบาลและบัญชีข้อมูลรายการยา TMT ซึ่งถูกสร้างมาจากหลักการที่แตกต่างกัน รายการยาส่วนใหญ่สามารถจับคู่กันได้ และส่วนที่ไม่สามารถจับคู่กันได้เกิดจากความหมายที่คลุมเครือและจำเป็นต้องนำไปทำให้เป็นมาตรฐาน (standardization) เพื่อให้สามารถนำไปใช้ได้ในระบบสารสนเทศของโรงพยาบาล
Article Details
กรณีที่ใช้บางส่วนจากผลงานของผู้อื่น ผู้นิพนธ์ต้อง ยืนยันว่าได้รับการอนุญาต (permission) ให้ใช้ผลงานบางส่วนจากผู้นิพนธ์ต้นฉบับ (Original author) เรียบร้อยแล้ว และต้องแนบเอกสารหลักฐาน ว่าได้รับการอนุญาต (permission) ประกอบมาด้วย
เอกสารอ้างอิง
Beaulieu A. Learning SQL. O'Reilly Media, Inc., April 27, 2009.
Friedman C, Elhadad N. Natural Language Processing in Health Care and Biomedicine. Biomedical Informatics 4th. 2014, page 225-84.
Hassanzadeh O, Kementsietsidis A, Lim L, Miller RJ, Wang M. LinkedCT: A Linked Data Space for Clinical Trials. 2009.
Keawwon K. Natural Language Processing (NPL). Mahanakorn University of Technology. 2012 61-4.
Kijsanayotin b. Thai Medicines Terminology (TMT)version 1.0. Thai Health Information Standards Development Center. 2014.
Kijsanayotin b. Thai Medicines Terminology (TMT) pre-release version. Thai Health Information Standards Development Center. 2013.
Peters L, Kapusnik-Uner JE, Nguyen T, Bodenreider O. An Approximate Matching Method for Clinical Drug Names. AMIA Annu Symp Proc2011, 1117-26.
Rocha RA, Huff SM. Using Digrams to Map Controlled Medical Vocabularies. Proc Annu Symp Comput Appl Med Care. 1994, 172-6.
Saitwal H, Qing D, Jones S, Bernstam EV, Chute CG, Johnson TR. Cross-terminology mapping challenges: A demonstration using medicationterminological systems. Journal of Biomedical Informatics45) 2012 (613– 25.
Sinthuvanich d, Kijsanayotin b, Ungsachon T. Thai Medicine Terminolog (TMT). June 2014.
Thada V, Jaglan V. Comparison of Jaccard, Dice, Cosine Similarity Coefficient To Find Best Fitness Value for Web Retrieved Documents Using Genetic Algorithm. International Journal of Innovations in Engineering and Technology (IJIET) 2013, 202-5.
UraireungpanO, ArdinS. Semantic Text Summarization Using Ontology. The 5 th National Conference on Computing and Information Technology 2009, 294-9.
Warnekar PP, Bouhaddou O, Parrish F, Do N, Kilbourne J, Brown SH, Lincoln MJ. Use of RxNorm to Exchange Codified Drug Allergy Information between Department of Veterans Affairs (VA) and Department of Defense (DoD). AMIA 2007 Symposium Proceedings, 781- 5.
Zhou L, Plasek JM, Mahoney LM, Karipineni N, et al. Using Medical Text Extraction, Reasoning and Mapping System (MTERMS) to Process Medication Information in Outpatient Clinical Notes. AMIA Annu Symp Proc. 2011,1639-48.
Zhou L, Plasek JM, Mahoney LM, Chang FY, DiMaggio D, Rocha RA. Mapping Partners Master Drug Dictionary to RxNorm using an NLP-based approach. Journal of Biomedical Informatics 2012, 626-33.
