KI-gestütztes System zur Tablettenerkennung und -zählung erreicht eine Genauigkeit von 99,91 TP3T für Anbieter von Gesundheitstechnologie
Zusammenfassung
Ein führendes Unternehmen im Bereich Gesundheitstechnologie benötigte eine automatisierte Lösung zur Identifizierung und Zählung von Arzneimitteltabletten anhand von Bildern mithilfe der NDC-Klassifizierung (National Drug Code). Wir entwickelten ein Computer-Vision-System, das Tablettentypen mit einer Genauigkeit von 99,91 TP3T erkennt, klassifiziert und zählt. Dadurch werden manuelle Zählfehler eliminiert und die Prozesse der Arzneimittelinventur optimiert.
Herausforderung
Ein führender Anbieter von Gesundheitstechnologie und -dienstleistungen, spezialisiert auf pharmazeutische Lösungen und Datenanalyse im Gesundheitswesen, stand vor der Herausforderung der manuellen Tablettenzählung.
Die manuelle Tablettenzählung ist fehleranfällig und zeitaufwändig und führt zu Engpässen, die das Bestandsmanagement, die Patientensicherheit und die Einhaltung gesetzlicher Vorschriften beeinträchtigen. Der Kunde benötigte einen Machbarkeitsnachweis, der bestimmte Arzneimittel anhand ihres NDC-Codes auf Fotos automatisch erkennen und zählen kann. Dabei sollte er auch komplexe Szenarien mit mehreren Tablettenarten auf einem Bild bewältigen und gleichzeitig die Genauigkeitsstandards für pharmazeutische Produkte erfüllen.
Lösung von AI Superior
Wir haben ein auf einem tiefen neuronalen Netzwerk basierendes Computer-Vision-System entwickelt. Dieser Ansatz wurde speziell für die Erkennung und Zählung von Arzneimitteltabletten optimiert. Das System wurde anhand eines Datensatzes hochauflösender Bilder aus verschiedenen Kategorien trainiert und generiert mithilfe einer Inferenzpipeline Vorhersageboxen mit Konfidenzwerten. Diese werden anhand der tatsächlichen Werte mithilfe der Metriken Präzision, Trefferquote und F1-Score evaluiert. Um ein optimales Verhältnis zwischen Leistung und Rechenaufwand zu erzielen, wurden sowohl kleine als auch große Modellvarianten implementiert. Die Lösung umfasst außerdem eine Benutzeroberfläche zum Hochladen von Bildern, zur Anpassung des Konfidenzschwellenwerts und zur Echtzeit-Visualisierung der Ergebnisse sowie eine vollständige technische Dokumentation und den Quellcode.
Ergebnisse und Auswirkungen
Das System erreichte über alle Vorhersagen hinweg eine Präzision, einen Recall und einen F1-Score von über 99,9% – eine deutliche Verbesserung gegenüber manuellen Methoden. Es ermöglicht Gesundheitsorganisationen, ihre Prozesse im Bereich der Arzneimittelinventur zu automatisieren, Personal für eine patientenorientierte Versorgung freizustellen und eine durchgängige und nachvollziehbare Einhaltung gesetzlicher Bestimmungen zu gewährleisten.
Über diesen Anwendungsfall hinaus deutet die Technologie auf ein breiteres Potenzial von Computer Vision in der Qualitätskontrolle des Gesundheitswesens hin, darunter die Inspektion von Medizinprodukten, die Validierung der Arzneimittelherstellung und die Automatisierung klinischer Studien. Dieser Ansatz lässt sich entlang der gesamten pharmazeutischen Lieferkette skalieren, von der Produktion bis zur Apotheke, und verbessert so sowohl die Patientensicherheit als auch die betriebliche Effizienz.
German 
English 
Arabic 
French 
Dutch 
Spanish