背景: 人工知能 (AI) は薬剤使用ワークフロー全体でますます使用されていますが、区別だけでは安全または有用な実装を確立できません。 目的: 医薬品使用プロセス全体にわたって AI を責任を持って導入するための、証拠に基づいたフレームワークを提案すること。 方法: 2026 年 7 月 28 日までの対象を絞った重要な証拠スキャン (2026 年 9 月 17 日に更新) では、17 件の臨床研究が記録されました。ドメインは、帰納的コーディング、臨床 AI および薬局のガイダンスとの比較、および構造化された研究レベルの評価を通じて導出されました。 結果: 医薬品使用 AI の安全性と実装フレームワークには、臨床的に意味のあるターゲットとラベルの 7 つのリンクされたドメインが含まれています。トランスポータブル検証。キャリブレーションとしきい値の調整。臨床的に実用的な情報と説明。ワークフローの統合と人間による監視。前向きの臨床評価。そしてライフサイクルガバナンスと回復力です。人的要因と公平性は横断的なものです。薬剤固有の基準では、重症度を重み付けした偽陰性、警告負荷、薬局の能力、処方とワークフローへの依存、低リスク抑制のためのセーフティネット、緊急時対応計画が重視されます。 結論: このフレームワークは提案された実装構造であり、検証された最低基準または準備スコアではありません。これは、医薬品使用の専門家が、将来の使用に向けて責任を持って進むために AI システムに十分な臨床的、運用的、およびガバナンスの証拠があるかどうかを判断するのに役立つことを目的としています。関係者の合意、信頼性テスト、および将来の検証が必要です。
背景: 人工知能 (AI) は薬剤使用ワークフロー全体でますます使用されていますが、区別だけでは安全または有用な実装を確立できません。 目的: 医薬品使用プロセス全体にわたって AI を責任を持って導入するための、証拠に基づいたフレームワークを提案すること。 方法: 2026 年 7 月 28 日までの対象を絞った重要な証拠スキャン (2026 年 9 月 17 日に更新) では、17 件の臨床研究が記録されました。ドメインは、帰納的コーディング、臨床 AI および薬局のガイダンスとの比較、および構造化された研究レベルの評価を通じて導出されました。 結果: 医薬品使用 AI の安全性と実装フレームワークには、臨床的に意味のあるターゲットとラベルの 7 つのリンクされたドメインが含まれています。トランスポータブル検証。キャリブレーションとしきい値の調整。臨床的に実用的な情報と説明。ワークフローの統合と人間による監視。前向きの臨床評価。そしてライフサイクルガバナンスと回復力です。人的要因と公平性は横断的なものです。薬剤固有の基準では、重症度を重み付けした偽陰性、警告負荷、薬局の能力、処方とワークフローへの依存、低リスク抑制のためのセーフティネット、緊急時対応計画が重視されます。 結論: このフレームワークは提案された実装構造であり、検証された最低基準または準備スコアではありません。これは、医薬品使用の専門家が、将来の使用に向けて責任を持って進むために AI システムに十分な臨床的、運用的、およびガバナンスの証拠があるかどうかを判断するのに役立つことを目的としています。関係者の合意、信頼性テスト、および将来の検証が必要です。
BACKGROUND: Artificial intelligence (AI) is increasingly used across medication-use workflows, but discrimination alone does not establish safe or useful implementation. OBJECTIVE: To propose an evidence-informed framework for responsible implementation of AI across the medication-use process. METHODS: A targeted critical evidence scan through 28 July 2026, updated on 17 September 2026, charted 17 clinical studies. Domains were derived through inductive coding, comparison with clinical-AI and pharmacy guidance, and structured study-level appraisal. RESULTS: The Medication-Use AI Safety and Implementation Framework contains seven linked domains: clinically meaningful target and label; transportable validation; calibration and threshold justification; clinically actionable information and explanation; workflow integration and human oversight; prospective clinical evaluation; and lifecycle governance and resilience. Human factors and equity are cross-cutting. Medication-specific criteria emphasize severity-weighted false negatives, alert burden, pharmacy capacity, formulary and workflow dependence, safety nets for low-risk suppression, and contingency planning. CONCLUSIONS: The framework is a proposed implementation structure, not a validated minimum standard or readiness score. It is intended to help medication-use professionals judge whether AI systems have sufficient clinical, operational, and governance evidence to progress responsibly toward prospective use. Stakeholder consensus, reliability testing, and prospective validation are required.
医師のための臨床サポートサービス
ヒポクラ x マイナビのご紹介
無料会員登録していただくと、さらに便利で効率的な検索が可能になります。