تطوير مجموعة بيانات مرجعية للتعرف البصري على اسماء الأدوية الخطية في الوصفات الطبية
الشريط الجانبي للمقالة
محتوى المقالة الرئيسي
الملخص
لا يزال تفسير أسماء الأدوية المكتوبة بخط اليد يُمثل تحديًا عالميًا، وغالبًا ما يُسبب أخطاءً طبيةً وتأخيرًا في صرف الأدوية. تُهدد هذه المشكلة سلامة المرضى وتتطلب حلولًا فعّالة. ولمعالجة هذه المشكلة، طُوّرت مجموعة بيانات لأسماء الأدوية المكتوبة بخط اليد لدعم تدريب أنظمة التعرف الضوئي على الحروف (OCR). الهدف هو تحسين قابلية قراءة الوصفات الطبية، وتمكين الأرشفة الرقمية، ودعم السجلات الصحية الإلكترونية. كما يُمكن استخدام مجموعة البيانات في تطبيقات الصحة الذكية لمساعدة المرضى على إدارة أدويتهم. بُنيت مجموعة البيانات باستخدام مساهمات من 250 طبيبًا وطالب طب في المنطقة الجنوبية من ليبيا. كتب كل مشارك 20 اسمًا دوائيًا مُحددًا مسبقًا بصيغ موحدة، مما أدى إلى إنتاج 9225 عينة خطية. استُخدمت تقنيات معالجة الصور مثل تحويل الصور الملونة إلى تدرج الرمادي، لتقليل متطلبات الذاكرة عن طريق تقليل الحجم إلى ثلث الحجم الأصلي وزيادة سرعة المعالجة بنسبة 66% تقريبًا. بالإضافة إلى ذلك، طُبّقت معايرة الإدخال عن طريق تحويل قيم البيكسل، تعمل هذه التقنيات على تسريع تدريب النماذج وتعزيز الدقة ومعالجة العيوب الناتجة عن أحجام الكتابة اليدوية المختلفة. يهدف هذا المورد إلى تقليل الأخطاء المتعلقة بالوصفات الطبية، وتعزيز إمكانية الوصول إلى البيانات من خلال الأرشيفات القابلة للبحث، ودعم معالجة الأدوية بشكل أسرع وأكثر أمانًا. وتقترح الورقة أيضًا نهجًا عمليًا لدمج الأنظمة الذكية في الرعاية الصحية، وتُسلط الضوء على أهمية التعاون بين الأطباء والباحثين لتحسين سلامة المرضى وجودة الرعاية المقدمة.
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
المراجع
A. Kumar, I. Dangi, S. Chowdary, and K. K. Pandey, “Ideal drug prescription writting,” vol. 8, no. 3, pp. 634–654, 2019, doi: 10.20959/wjpps20193-12989.
R. Achkar, K. Ghayad, R. Haidar, S. Saleh, and R. Al Hajj, “Medical handwritten prescription recognition using CRNN,” CITS 2019 - Proceeding 2019 Int. Conf. Comput. Inf. Telecommun. Syst., pp. 1–5, 2019, doi: 10.1109/CITS.2019.8862004.
E. Hassan, H. Tarek, M. Hazem, and S. Bahnacy, “Medical Prescription Recognition using Machine Learning,” IEEE 11th Annu. Comput. Commun. Work. Conf. (CCWC, pp. 973–979, 2021.
S. Kumar Sarkar, “A New Approach to Information Retrieval based on Keyword Spotting from Handwritten Medical Prescriptions Arghya Mukhejee 1a , Arunit Halder 1b , Subhrapratim Nath 1c,” Adv. Ind. Eng. Manag., vol. 6, no. 2, pp. 90–96, 2017, doi: 10.7508/aiem.2017.02.006.
Y. Amol Rathod et al., “Handwritten Character Recognition Using CNN, KNN and SVM,” Int. J. Technol. Eng. Arts Math. Sci., vol. 1, no. 2, pp. 2583–1224, 2022, doi: 10.11591/eei.v9i3.xxxx.
E. Kamalanaban, M. Gopinath, and S. Premkumar, “Medicine box: Doctor’s prescription recognition using deep machine learning,” Int. J. Eng. Technol., vol. 7, no. 3.34 Special Issue 34, pp. 114–117, 2018, doi: 10.14419/ijet.v7i3.34.18785.
P. S. Dhande and R. Kharat, “Character Recognition for Cursive English Handwriting to Recognize Medicine Name from Doctor’s Prescription,” 2017 Int. Conf. Comput. Commun. Control Autom. ICCUBEA 2017, pp. 1–5, 2017, doi: 10.1109/ICCUBEA.2017.8463842.
H. Brits et al., “Illegible handwriting and other prescription errors on prescriptions at National District Hospital , Bloemfontein Illegible handwriting and other prescription errors on prescriptions at National District Hospital , Bloemfontein,” South African Fam. Pract., vol. 6190, pp. 1–4, 2017, doi: 10.1080/20786190.2016.1254932.
M. A.-A.-S. C. A. A. M. A. M. R. N. T. Mia, Abdur Rahim, “A Deep Neural Network Approach with Pioneering Local Dataset to Recognize Doctor’s Handwritten Prescription in Bangladesh,” IEEE Int. Conf. Adv. Comput. Commun. Electr. Smart Syst. ), Dhaka, Bangladesh, pp. 1–6, 2024, doi: 10.1109/iCACCESS61735.2024.10499631.
U. Ali, M. Nadeem, H. Ishfaq, and W. Ali, “Leveraging Deep Learning with Multi-Head Attention for Accurate Extraction of Medicine from Handwritten Prescriptions,” vol. 978-1–7281, 2024.
U. V. Marti and H. Bunke, “A full English sentence database for off-line handwriting recognition,” Proc. Int. Conf. Doc. Anal. Recognition, ICDAR, no. November 1999, pp. 709–712, 1999, doi: 10.1109/ICDAR.1999.791885.
R. E. Ferner and J. K. Aronson, “Nominal ISOMERs ( Incorrect Spellings Of Medicines Eluding Researchers )— variants in the spellings of drug names in PubMed : a database review,” 2016, doi: 10.1136/bmj.i4854.
L. J. Fajardo et al., “Doctor’s Cursive Handwriting Recognition System Using Deep Learning,” 2019 IEEE 11th Int. Conf. Humanoid, Nanotechnology, Inf. Technol. Commun. Control. Environ. Manag. HNICEM 2019, pp. 6–11, 2019, doi: 10.1109/HNICEM48295.2019.9073521.
S. R. Dhar D, Garain A, Singh P, “HP_DocPres: a method for classifying printed and handwritten texts in doctor’s prescription,” Multimed. Tools Appl., 2020.
N. P. and N. Sampath., “Detecting and extracting information of medicines from a medical prescription using deep learning and computer vision,” Int. Conf. Knowl. Eng. Commun. Syst., pp. 1–6, 2022.
K. Sehimi, “A Transfer Learning approach for handwritten drug names recognition,” 2023 IEEE Int. Conf. Networking, Sens. Control, vol. 1, pp. 1–6, 2023, doi: 10.1109/ICNSC58704.2023.10318974.