[P] 一般演題（ポスター） 「リスクマネジメント」

[P-075-C] 機械学習（LightGBM）による「患者交付後に発覚する調剤過誤・インシデント発生店舗」の事前予測

松谷 定¹, 中村 文哉¹, 阿部 真也¹, 五十嵐 健祐¹, 佐々木 愛², 野村 和彦² (1.（株）ツルハ, 2.（株）ツルハホールディングス)

【目的】患者交付後に発覚する調剤過誤およびインシデント（以下「調剤過誤・インシデント」とする）の発生リスクの高い店舗を事前予測できれば、調剤過誤を未然に防止できる可能性が高まる。本研究は、機械学習（LightGBM）を用いた調剤過誤・インシデント発生店舗の事前予測の可能性を検討した。
【方法】解析対象とした（株）ツルハ470店の「調剤、労務データ（2025年1月）」、「調剤過誤・インシデントデータ（2024年1月～2025年7月）」を活用、2025年2-7月調剤過誤・インシデント発生を予測するモデルを構築した。具体的には分析データを作成、学習検証・テストデータへ分割、目的変数「2025年2-7月調剤過誤・インシデント発生有無」、特徴量「処方箋枚数等23項目」とし、学習検証データを用いLightGBM（2値分類・5分割交差検証）にて予測モデルを構築した。構築モデルを用いテストデータAUC算出、交差検証データAUCと比較した。特徴量寄与度確認のためSHAP算出、閾値探索のため混同行列を作成した。解析はPython（3.13.2）を用いた。
【結果】交差検証・テストデータAUCはそれぞれ0.67、0.70となった。SHAP平均値上位3項目の特徴量（平均±標準偏差）は、「調剤数注射/処方箋枚数（0.21±0.19）」、「処方箋枚数/事務員_勤務時間（0.12±0.11）」、「インシデント件数_直近1年間（0.05±0.08）」であった。混同行列閾値は0.1、0.15、0.2、0.25、0.3の場合、F1スコアはそれぞれ0.32、0.36、0.43、0.29、0.00となった。
【考察】AUCは「交差検証＜テスト」となったことから、過学習の可能性は低いと考察される。SHAP平均値上位3項目ともに標準偏差が平均値と同程度となったため、寄与度解釈には不適と考えられる。閾値設定「0.2」とし構築モデルを用いることで、一定水準ではあるが調剤過誤・インシデント発生店舗の事前予測が可能と考察される。今後は精度向上のため、より最適なモデル構築方法を模索したい。