JP2020085513A - 医薬品特定装置および方法 - Google Patents

Abstract

【課題】分光技法を用いて顧客に処方された医薬品の種類と量を、より正確に特定、検証し、より安全で効果的な薬物治療計画を立案、遂行することが一次的には求められており、さらに需要予測など在庫管理に役立ち、地域医療の特性などを分析できる医薬品特定装置および方法が望まれている。【解決手段】医薬品を特定する医薬品特定システム１であって、患者に処方された薬剤を分光法により特定し、より安全で効果的な薬物治療計画を立案、遂行することを可能にする装置および方法である。さらには、特定したデータと患者データと関連付けたデータとしてプロセッサ１０に蓄積し、薬剤の地域医療や需要予測分析のために用いる非常に小型化した装置及び方法である。【選択図】図１

Description

本発明は分光法を用いて医薬品を特定、検証する手段を用いた医薬品特定装置および方法に関する。

近年、医薬品の品質確保等に対する要求は高まっており、医薬品、医薬部外品の製造等に係る適合性確認の基準やその製造業者等に対する遵守事項など国際的なガイドラインも制定されている。

また、薬局において、顧客に渡される医薬品が、医師によって処方された医薬品であるかどうかの確認を薬剤師が行う必要がある場合がある。さらに、容器のラベルが剥がれ落ちていたり、貼り忘れられていたり、不正確なラベルが貼られていることもあるかも知れない。そのような場合には、顧客に医薬品を渡す前に、薬剤師は先入観なしに目前の資料が所望の医薬品であるかを特定する必要がある。このように医薬品を正確に特定することによって、より安全で効果的な薬剤治療計画を立案、遂行することが求められている。

また、薬局の経営の観点からは、需要の予測という点で、顧客とその顧客に処方される医薬品の管理を行うことが望ましい。顧客に処方される医薬品の履歴を記録し、その記録から需要の予測を立てることによって、在庫の量を最小にし、キャッシュフローの適正化を図ることができる。

さらには、地域医療の特性を分析し、医薬品の効率的な運用も求められている。

特許文献１には、分光技法、たとえばラマン分光法を用いて医薬品を迅速に特定、検証するシステムと方法が開示されている。例示されているシステムでは、レーザー光によって、医薬品容器に入っている医薬品内のラマン活性モードが励起され、ラマン活性モードによって散乱する光から、たとえばマルチモード多重サンプリング分光計を用いてラマンスペクトル特性を得る。そして、医薬品から得たラマンスペクトル特性が、データベース内に格納されているラマンスペクトル特性と比較され、医薬品から得られたラマンスペクトル特性と最も近いものが画面に表示される。

特表２００９−５１７６３１号公報

しかしながら、特許文献１に記載の分光技法、たとえばラマン分光法を用いて医薬品を迅速に特定、検証する装置および方法では、医薬品の種類と量について、正確な特定ができない場合があるという問題がある。

また、特許文献１に記載のシステムおよび方法では、医薬品の同定を行うだけなので、顧客に誤った医薬品が処方されたとき、警告を発することができないという問題がある。

さらに、特許文献１に記載の装置および方法では、医薬品の販売履歴は別の装置で行わないといけないので、薬局は医薬品の需要予測を立てる作業が別途必要であるという問題がある。

患者によっては、薬局が、当該患者の新たな薬物治療計画を作成するときに、重複投与や併用禁忌薬の投与を防止するために、当該患者が普段飲んでいる医薬品が何であるかを特定しなければならない場合がある。このような医薬品の鑑定を「持参薬鑑別」と言うことがあるが、特許文献１に記載の装置および方法では、「持参薬鑑別」には対応できないという問題がある。

従って、分光技法を用いて顧客に処方された医薬品の種類と量をより正確に特定、検証し、より安全で効果的な薬物治療計画を立案、遂行することが一次的には求められており、さらに需要予測など在庫管理に役立ち、地域医療の特性などを分析できる医薬品特定装置および方法が望まれている。

上記目的を達成するために、本発明の一つの実施形態に従う患者に処方された医薬品を特定及び検証し、患者と関連付ける装置は、医薬品を透過したまたは医薬品によって散乱もしくは反射された第一の光波、及び医薬品を透過したまたは医薬品によって散乱もしくは反射された第一の光波とは異なる波長を有する第二の光波に関する情報を受信する受信部と、第一及び第二の光波に基づいて、医薬品に対する特性を設定し、特性および予め設定された医薬品データに基づいて患者に処方された医薬品の種類および量を含む処方データを特定し、処方データ及び患者に関する情報を関連付けて前記メモリに蓄積するプロセッサと、を含むことを特徴とする。

上記目的を達成するために、本発明の一つの実施形態に従う患者に処方された医薬品を特定及び検証し、患者と関連付けて記憶する方法は、医薬品を透過した、または医薬品によって散乱もしくは反射された第一の光波を検知するステップと、医薬品を透過したまたは医薬品によって散乱もしくは反射された第一の光波とは異なる波長を有する第二の光波を検知するステップと、第一及び第二の光波に基づいて、医薬品に対する特性を設定するステップと、特性および医薬品データに基づいて患者に処方された医薬品の種類および量を含む処方データを特定するステップと、処方データ及び患者に関する情報を関連付けて蓄積するステップと、を含むことを特徴とする。

上記目的を達成するために、本発明の一つの実施形態に従う患者に処方された医薬品を特定及び検証し、患者と関連付けて記憶するシステムは、既知の医薬品に対応する医薬品データを蓄積するメモリと、医薬品を透過したまたは医薬品によって散乱もしくは反射された第一の光波を検知する第一の検知器と、医薬品を透過した、または医薬品によって散乱もしくは反射された第一の光波とは異なる波長を有する第二の光波を検知する第二の検知器と、第一及び第二の光波に基づいて、医薬品に対する特性を設定し、特性およびメモリに蓄積された医薬品データに基づいて患者に処方された医薬品の種類および量を含む処方データを特定し、処方データ及び患者に関する情報を関連付けてメモリに蓄積するプロセッサと、を含むことを特徴とする。

本発明によれば、分光技法を用いて顧客に処方された医薬品の種類と量をより正確に特定、検証し、より安全で効果的な薬剤治療計画を立案、遂行することが可能となり、さらに需要予測など在庫管理に役立つデータを取得することができる。

図１は本実施形態の医薬品特定システムを説明する図である。 図２は本実施形態の医薬品特定方法を説明する図である。 図３は「ラキソベロン錠２．５ｍｇ」についてラマンスペクトルを測定し、医薬品データと比較した結果を示す図である。 図４は「ラキソベロン錠２．５ｍｇ」について近赤外スペクトルを測定し、医薬品データと比較した結果を示す図である。 図５は、「ラキソベロン錠２．５ｍｇ」について、本実施形態の医薬品特定装置で得られた結果と従来例との比較を示す図である。 図６は、「ドンペリドン錠１０ｍｇ」についてラマンスペクトルを測定し、医薬品データと比較した結果を示す図である。 図７は、「ドンペリドン錠１０ｍｇ」について近赤外スペクトルを測定し、医薬品データと比較した結果を示す図である。 図８は、「ドンペリドン錠１０ｍｇ」について、本実施形態の医薬品特定装置で得られた結果を従来例との比較を示す図である。 図９は、４６種類の医薬品サンプルについて、本実施形態の医薬品特定装置で得られた結果の従来例との比較を示す図である。 図１０は、本実施形態の一つである散薬重量兼成分監査装置を用いた医薬品特定システムを説明する図である。

本発明の一つの実施形態に従う患者に処方された医薬品を特定及び検証し、患者と関連付けて記憶する装置は、既知の医薬品に対応する医薬品データを蓄積するメモリと、医薬品を透過したまたは医薬品によって散乱もしくは反射された第一の光波を検知する第一の検知器と、医薬品を透過した、または医薬品によって散乱もしくは反射された第一の光波とは異なる波長を有する第二の光波を検知する第二の検知器と、第一及び第二の光波に基づいて、医薬品に対する特性を設定し、特性およびメモリに蓄積された医薬品データに基づいて患者に処方された医薬品の種類および量を含む処方データを特定し、処方データ及び患者に関する情報を関連付けてメモリに蓄積するプロセッサと、を含むことを特徴とする。

このように、「患者に処方された医薬品を特定及び検証し、患者と関連付けて記憶する装置」は、検知器とプロセッサを含んでいる。一つまたは２つの光源を含んでも良い。またメモリを含んでも良い。このように構成することによって、顧客に処方された医薬品の種類と量をより正確に特定、検証し、より安全で効果的な薬剤治療計画を立案、遂行することが可能となり、さらに需要予測など在庫管理に役立つデータを取得することができる。また、装置のダウンサイジングが可能であり、場所を選ばずに簡便に医薬品の特定及び検証し患者と関連付けて記憶することができる。

本発明の一つの実施形態に従う患者に処方された医薬品を特定及び検証し、患者と関連付けて記憶するシステムは、既知の医薬品に対応する医薬品データを蓄積するメモリと、医薬品を透過したまたは医薬品によって散乱もしくは反射された第一の光波を検知する第一の検知器と、医薬品を透過した、または医薬品によって散乱もしくは反射された第一の光波とは異なる波長を有する第二の光波を検知する第二の検知器と、第一及び第二の光波に基づいて、医薬品に対する特性を設定し、特性およびメモリに蓄積された医薬品データに基づいて患者に処方された医薬品の種類および量を含む処方データを特定し、処方データ及び患者に関する情報を関連付けてメモリに蓄積するプロセッサと、を含むことを特徴とする。

本発明の一つの実施形態に従う患者に処方された医薬品を特定及び検証し、患者と関連付けて記憶する方法は、医薬品を透過した、または医薬品によって散乱もしくは反射された第一の光波を検知するステップと、医薬品を透過したまたは医薬品によって散乱もしくは反射された第一の光波とは異なる波長を有する第二の光波を検知するステップと、第一及び第二の光波に基づいて、医薬品に対する特性を設定するステップと、特性および医薬品データに基づいて患者に処方された医薬品の種類および量を含む処方データを特定するステップと、処方データ及び患者に関する情報を関連付けて蓄積するステップと、を含むことを特徴とする。

ここで、「患者に処方された医薬品を特定及び検証し、患者と関連付けて記憶するシステム」を構成するパーツは、一つの筐体に収められていなくて良い。例えば、医薬品を透過したまたは医薬品によって散乱もしくは反射された第一の光波を検知する第一の検知器と、医薬品を透過した、または医薬品によって散乱もしくは反射された第一の光波とは異なる波長を有する第二の光波を検知する第二の検知器とは、メモリおよびプロセッサを格納する筐体とは別の筐体に格納されていても良い。このような場合、２つの検知器を格納する機器のダウンサイジングが可能であり、患者に処方された医薬品を特定及び検証をハンディ機器で行うことができる。

２つの検知器とメモリとプロセッサを一つの筐体に格納する場合でも、光源を１つにし、分波器で異なる波長の２つの光を生成するなどの工夫をすることで、機器のダウンサイジングは可能であり、患者に処方された医薬品を特定及び検証をハンディ機器で行うことができる。
このように「患者に処方された医薬品を特定及び検証し、患者と関連付けて記憶するシステム」の一部または全部をハンディ機器として構成することによって、薬局の中で顧客と対面するカウンターなど限られたスペースで、迅速かつ簡易に、分光技法を用いて顧客に処方された医薬品の種類と量をより正確に特定、検証し、さらに需要予測など在庫管理に役立つデータを取得することができる。

ここで、「第一の光波」はラマン散乱光であり、「第二の光波」は近赤外、中赤外、遠赤外を含む赤外線であってもよい。

さらに「医薬品に対する特性」とは、第一の光波の波形および第二の光波の波形の一部または全部をフーリエ変換して得られるスペクトルであってもよい。

分光分析法には、近赤外（ＮＩＲ、Ｎｅａｒ ＩｎｆｒａＲｅｄ）や赤外（ＩＲ、ＩｎｆｒａＲｅｄ）分光分析法（近赤、中赤外分光法）、ラマン、紫外線（ＵＶ）、核磁気共鳴（Ｎｕｃｌｅａｒ Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ、ＮＭＲ）、質量スペクトル（Ｍａｓｓ Ｓｐｅｃｔｒｕｍ、ＭＳ）分析、Ｘ線分光分析法、蛍光分析法などがある。

近赤外（ＮＩＲ、Ｎｅａｒ ＩｎｆｒａＲｅｄ）分光法やラマン分光法は、分子の振動に基づくスペクトルを得ることができる定性分析方法である。
近赤外光とは、波長８００ｎｍ〜２５００ｎｍ（波数１２５００〜４０００ｃｍ−１）の光のことである。近赤外領域に現れる吸収は、基準振動の倍音や結合音が重なり合うため、中赤外領域の吸収より複雑で、幅広いピークが見られるのが一般的である。また、中赤外領域に比べて吸収強度が弱いため、試料を直接測定することができる。また、科学的に安定なガラスや石英セルは近赤外領域では吸収がほとんど見られないため、これらのセルを用いて測定を行うことも可能である。
ラマン分光法では可視または近赤外レーザー光が用いられ、試料にある波長の光を照射したときに試料で散乱される光を測定する。ラマンスペクトルは、縦軸を散乱強度、横軸をラマンシフト、つまり入射光と散乱光の波数差としてプロットする。ラマン分光法のスペクトル形状は、近赤外分光法に比べて、構造が似ている試料でもピークが鋭く、見分けることができる。ラマン分光法で入射波として用いられる光の波長は、例えば２５０ｎｍ〜２５００ｎｍであり得る。

近赤外分光法とラマン分光法のそれぞれについて、測定に不向きな試料はというと、近赤外分光法では、無機化合物など近赤外吸収が弱い試料は、測定に不向きである。また、ラマン分光法では、ラマン散乱が弱い試料、蛍光の影響が強い試料は測定に不向きである。また可視光または近赤外レーザー光で分解、燃焼しやすい試料も近赤外分光法での測定に不向きである。

また近赤外分光法とラマン分光法のそれぞれについて、試料の粒径の影響があるかというと、近赤外分光法では粒径が異なる場合には別々に参照データが必要である。一方、ラマン分光法では試料の粒径の影響はない。

また近赤外分光法とラマン分光法で、試料を包装容器に入れて測定するとき、包装容器の影響があるかというと、近赤外分光法では包装容器が異なる場合には種類や厚さごとに別々の参照データが必要である。一方、ラマン分光法では、可視光または近赤外レーザー光が透過するならば包装容器の影響はさほどない。

このように、近赤外分光法とラマン分光法は互いに相補的なデータを含んでいる。ラマン分光法は、ある特定の物質について、近赤外分光法で得られたスペクトルに追加のスペクトルを与え、近赤外分光法で得られるスペクトルとラマン分光法で得られるスペクトルは互いに独立である。よって、二つの方法を組み合わせることによって、それぞれ単独の場合より高い精度での検証が可能である。

「医薬品データ」はデータベースに格納されており、予め設定された医療品の基準スペクトルを含んでいる。
第一の光波の波形および第二の光波の波形の一部または全部から得られるスペクトルと、データベースに格納されている基準スペクトルの差から類似度を算出し、類似度から「処方データ」を導出する。「処方データ」とは分光法で検査される医薬品の種類と量を含んでいる。

スペクトルから医薬品を特定するためには、測定スペクトルとデータベースに格納された「医薬品データ」に含まれるスペクトルとの差を「類似度」として数値化する。この差が小さければ小さいほど類似性が高いということになる。
処方箋通りの医薬品が一包化した分包紙に入っているかを判定する「調剤監査」では、処方箋に書かれている医薬品に対応する「医薬品データ」のスペクトルと実際の測定データ（「医薬品に対する特性」）の「差」を計算し、ある一定レベルの値（閾値）以下であれば、「正しい」と判定し、その値を超えていると「疑念あり」と判定する。

患者によっては、薬局が、当該患者の新たな薬物治療計画を作成するときに、重複投与や併用禁忌薬の投与を防止するために、当該患者が普段飲んでいる医薬品が何であるかを特定しなければならない場合がある。このような医薬品の鑑定を「持参薬鑑別」と言うことがある。
この場合は、「医薬品データ」に格納されている全医薬品のスペクトルと測定データの比較を行い、測定スペクトルとデータベースに格納された「医薬品データ」に含まれるスペクトルとの差が一定レベル（閾値）以下の医薬品を「ヒットリスト」として、類似度が高い（測定スペクトルとデータベースに格納された「医薬品データ」に含まれるスペクトルとの差が小さい）ものから順に結果として表示をしてもよい。測定スペクトルとデータベースに格納された「医薬品データ」に含まれるスペクトルとの差が一定レベル（閾値）以下の医薬品がない場合、「特定不能」と結果を表示して、検査を行う薬剤師が困惑するのを避けてもよい。

ラマン分光法や近赤外分光法で用いられる光は、連続波であってもよいし、時間分解分析が可能な離散波であってもよい。時間分解分析法としては、時間分解フーリエ解析変換、ウェーブレット変換などを用いる方法が知られている。

一般に、分光法では、時間分解解析をすることによって、測定精度を改善することができるので、薬局において、顧客に渡される医薬品が、医師によって処方された医薬品であるかどうかの確認を薬剤師が行う必要がある場合に、医薬品が正規品であるか否かの判定も行うことができる。

また、「処方データ及び患者に関する情報を関連付けてメモリに蓄積する」ことによって、薬局は、患者とその患者に処方された医薬品の種類と量の時系列データから、仕入れるべき医薬品の種類と量を予測することができ、薬局経営のスリム化を図ることができる。

「医薬品データ」の格納には、大きなメモリサイズを必要とすることがある。しかし、医薬品の場合は各国での認証が必要であり、各国の市場に出回っている医薬品の種類の数は有限である。流通している医薬品の「医薬品データ」、つまりスペクトルを測定し、適切に管理、保管し、新しい医薬品が発売された際や、既存の医薬品の成分変更があった際には、いち早くその情報と医薬品を入手して「医薬品データ」を更新することによって、測定されたスペクトルが、「全く未知の医薬品」であることを避けることができる。

（図示された実施形態の説明）
図１乃至図１０を参照しながら、本発明の一つの実施形態に従う医薬品特定装置および方法について説明する。

図１は本実施形態の医薬品特定システムを説明する図である。

医薬品特定システム１は、プロセッサ１０、メモリ２０、光源を内蔵したラマン分光器３０、ショートパスフィルタ４０、近赤外線光源５０、近赤外分光器６０、光ファイバー７０、ロングパスフィルタ８０、サンプルホルダ９０を含んでいる。

プロセッサ１０とメモリ２０は別々の筐体に格納され、互いに無線ネットワークで電気的に接続されている。
図示されている装置では、プロセッサ１０とメモリ２０は別々の筐体に格納されているが、両者は一体であってもよい。

サンプルホルダ９０は、測定対象の医薬品（錠剤でもよい）（サンプル１００）を保持する。サンプルホルダ９０に保持されたサンプル１００には、ラマン分光器３０および近赤外線光源５０から照射される光が当たるように設計されている。

ラマン分光器３０からサンプル１００までの光路の間にはショートパスフィルタ４０が設置されており、波長が９３９ｎｍより短い光をカットする。ラマン分光器３０の例は、メトロノーム社製Ｍｉｒａ Ｍ−３である。

ラマン分光器３０は、７８５ｎｍの波長のレーザー光をサンプル１００に照射する。また、サンプル１００からのラマン散乱光（第一の光波）を検知する。検知するラマン散乱光の波数は４００ｃｍ−１から２３００ｃｍ−１とした。

プロセッサ１０は、ラマン散乱光（第一の光波）からラマンスペクトル（医薬品に対する特性）を導出する。さらに、プロセッサ１０は、ラマンスペクトルとメモリ２０に格納されている「医薬品データ」を４００ｃｍ−１から１８００ｃｍ−１の範囲で照合し、ラマンＱｕａｌｉｔｙ Ｉｎｄｅｘ値（ラマンＱＩ値）を算出する。このラマンＱＩ値は、測定スペクトルとデータベースに格納された「医薬品データ」に含まれるスペクトルとの差と関連しており、小さければ小さいほど両者のスペクトルは類似していることを示す。プロセッサ１０は、例えば、市販されているデータベース照合ソフトウェア「Ｓｐｅｃｔｒａｌ ＩＤ（ＴｈｅｒｍｏＦｉｓｃｈｅｒ」を利用して処理を行ってもよい。

さらにプロセッサ１０は、測定対象の「医薬品」の測定データに対して、ラマンＱＩ値が上位２０位までの医薬品をリストアップする。

近赤外線光源５０はタングステンランプであり、タングステンランプから発せられる光は３５０ｎｍから３０００ｎｍ付近までの連続スペクトルを有している。近赤外線光源５０は光ファイバー７０を介してロングパスフィルタ８０に繋がっている。ロングパスフィルタ８０は９９０ｎｍより長い波長の光をカットする。

近赤外分光器６０は、サンプル１００にからの反射波（第二の光波）を、光ファイバー７０を介して９００ｎｍから１７００ｎｍの波長の光を検知する。近赤外分光器６０の例は、スペクトラコープ社製ＮＩＲ Ｍｅｔｅｒである。

プロセッサ１０は、近赤外分光器６０で検知した反射波から近赤外スペクトルを取得する。このとき、得られた近赤外スペクトル（医薬品に対する特性）について二次微分処理を行う。

プロセッサ１０は、得られた近赤外スペクトルの二次微分と、メモリ２０に格納されている「医薬品データ」を１０００ｎｍから１６００ｎｍの範囲で照合し、近赤外Ｑｕａｌｉｔｙ Ｉｎｄｅｘ値（近赤外ＱＩ値）を算出する。この近赤外ＱＩ値は、測定スペクトルとデータベースに格納された「医薬品データ」に含まれるスペクトルとの差と関連しており、小さければ小さいほど両者のスペクトルは類似していることを示す。プロセッサ１０は、例えば、市販されているデータベース照合ソフトウェア「Ｓｐｅｃｔｒａｌ ＩＤ（ＴｈｅｒｍｏＦｉｓｃｈｅｒ」を利用して処理を行ってもよい。

さらにプロセッサ１０は、測定対象の「医薬品」の測定データに対して、近赤外ＱＩ値が上位２０位までの医薬品をリストアップする。

さらにプロセッサ１０は、測定対象の「医薬品」の測定データに対して、ラマンＱＩ値が上位２０位までの医薬品と近赤外ＱＩ値が上位２０位までの医薬品について、ラマンＱＩ値と近赤外ＱＩ値を掛け合わせて「類似度」を算出する。

さらにプロセッサ１０は、類似度について小さい順に対応する医薬品をリストアップし、必要に応じて（図示されていない）ディスプレイに表示させる。プロセッサ１０は、リストの最上位の医薬品とその量を処方データとする。

また、プロセッサ１０は処方データ及び患者に関する情報を関連付けてメモリ２０に蓄積する。

図２は本実施形態の医薬品特定方法を説明するフローチャートである。

処理を開始するとＳ１０で、プロセッサ１０は、ラマン分光器３０に、７８５ｎｍの波長のレーザー光をサンプル１００に照射させる。また、サンプル１００からのラマン散乱光（第一の光波）を検知する。検知するラマン散乱光の波数は４００ｃｍ−１から２３００ｃｍ−１とした。

次のＳ２０でプロセッサ１０は、ラマン散乱光（第一の光波）からラマンスペクトル（医薬品に対する特性）を導出する。さらに、プロセッサ１０は、ラマンスペクトルとメモリ２０に格納されている「医薬品データ」を４００ｃｍ−１から１８００ｃｍ−１の範囲で照合し、ラマンＱｕａｌｉｔｙ Ｉｎｄｅｘ値（ラマンＱＩ値）を算出する。このラマンＱＩ値は、測定スペクトルとデータベースに格納された「医薬品データ」に含まれるスペクトルとの差と関連しており、小さければ小さいほど両者のスペクトルは類似していることを示す。

さらにＳ２０でプロセッサ１０は、測定対象の「医薬品」の測定データに対して、ラマンＱＩ値が上位２０位までの医薬品をリストアップする。

Ｓ３０で近赤外分光器６０は、サンプル１００にからの反射波（第二の光波）を、光ファイバー７０を介して９００ｎｍから１７００ｎｍの波長の光を検知する。

Ｓ４０でプロセッサ１０は、近赤外分光器６０で検知した反射波から近赤外スペクトルを取得する。このとき、得られた近赤外スペクトル（医薬品に対する特性）について二次微分処理を行う。

Ｓ４０でさらにプロセッサ１０は、得られた近赤外スペクトルの二次微分と、メモリ２０に格納されている「医薬品データ」を１０００ｎｍから１６００ｎｍの範囲で照合し、近赤外Ｑｕａｌｉｔｙ Ｉｎｄｅｘ値（近赤外ＱＩ値）を算出する。この近赤外ＱＩ値は、測定スペクトルとデータベースに格納された「医薬品データ」に含まれるスペクトルとの差と関連しており、小さければ小さいほど両者のスペクトルは類似していることを示す。

Ｓ４０でさらにプロセッサ１０は、測定対象の「医薬品」の測定データに対して、近赤外ＱＩ値が上位２０位までの医薬品をリストアップする。また、プロセッサ１０は、リストの最上位の医薬品とその量を処方データとする。

Ｓ５０でプロセッサ１０は、測定対象の「医薬品」の測定データに対して、ラマンＱＩ値が上位２０位までの医薬品と近赤外ＱＩ値が上位２０位までの医薬品について、ラマンＱＩ値と近赤外ＱＩ値を掛け合わせて「類似度」を算出する。

Ｓ５０でさらにプロセッサ１０は、類似度について小さい順に対応する医薬品をリストアップし、必要に応じて（図示されていない）ディスプレイに表示させる。

Ｓ６０でプロセッサ１０は処方データ及び患者に関する情報を関連付けてメモリ２０に蓄積して、処理は終了する。

ここで、Ｓ１０とＳ３０の処理はタイミングとしては同時であっても良い。この場合、Ｓ２０とＳ４０の処理も同時並行的に行ってもよい。

上記のような装置および方法を利用することによって、分光技法を用いて顧客に処方された医薬品の種類と量をより正確に特定、検証し、さらに需要予測など在庫管理に役立つデータを取得することができる。

図３から図８は解析例である。

図３は「ラキソベロン錠２．５ｍｇ」についてラマンスペクトルを測定し、医薬品データと比較した結果を示す図である。
このとき、「医療品データ」には、「ラキソベロン錠２．５ｍｇ」を含む２１０種類の医薬品のラマンスペクトルが含まれている。スペクトルデータの中で、Ｌ１はサンプルのラマンスペクトル、Ｌ２とＬ３はそれぞれ、「医療品データ」の中で類似性が高い上位２つのスペクトルデータである。リスト中の「Ｑｕａｌｉｔｙ」はラマンＱＩ値で、これが０に近いほど類似性が高いと判断される。この場合では、「ラキソベロン錠２．５ｍｇ」が正しく１位にランキングされている。

図４は「ラキソベロン錠２．５ｍｇ」について近赤外スペクトル（の二次微分）を測定し、医薬品データと比較した結果を示す図である。
このとき、「医療品データ」には、「ラキソベロン錠２．５ｍｇ」を含む２１０種類の医薬品の近赤外スペクトル（の二次微分）が含まれている。スペクトルデータの中で、Ｌ３はサンプルの近赤外スペクトル（の二次微分）、Ｌ４とＬ５はそれぞれ、「医療品データ」の中で類似性が高い上位２つのスペクトルデータ（の二次微分）である。リスト中の「Ｑｕａｌｉｔｙ」は近赤外ＱＩ値で、これが０に近いほど類似性が高いと判断される。この場合、「リスペドリン錠１ｍｇサワイ」が１位にランキングされ、「ラキソベロン錠２．５ｍｇ」は３位となっている。

図５は、「ラキソベロン錠２．５ｍｇ」について、本実施形態の医薬品特定装置で得られた結果と従来例との比較を示す図である。
ラマンＱＩ値と近赤外ＱＩ値を掛け合わせて類似度を算出し、類似度からランク付けをすると、「ラキソベロン錠２．５ｍｇ」が１位となり、正しい結果を示している。

図６は、「ドンペリドン錠１０ｍｇＴＹＫ」についてラマンスペクトルを測定し、医薬品データと比較した結果を示す図である。
このとき、「医療品データ」には、「ドンペリドン錠１０ｍｇＴＹＫ」を含む２１０種類の医薬品のラマンスペクトルが含まれている。スペクトルデータの中で、Ｌ７はサンプルのラマンスペクトル、Ｌ８とＬ９はそれぞれ、「医療品データ」の中で類似性が高い上位２つのスペクトルデータである。リスト中の「Ｑｕａｌｉｔｙ」はラマンＱＩ値で、これが０に近いほど類似性が高いと判断される。この場合では、「ドンペリドン錠１０ｍｇＴＹＫ」は４位にランキングされている。

図７は、「ドンペリドン錠１０ｍｇＴＹＫ」について近赤外スペクトルを測定し、医薬品データと比較した結果を示す図である。
このとき、「医療品データ」には、「ドンペリドン錠１０ｍｇＴＹＫ」を含む２１０種類の医薬品の近赤外スペクトル（の二次微分）が含まれている。スペクトルデータの中で、Ｌ１０はサンプルの近赤外スペクトル（の二次微分）、Ｌ１１とＬ１２はそれぞれ、「医療品データ」の中で類似性が高い上位２つのスペクトルデータである。この場合、「ドンペリドン錠１０ｍｇＴＹＫ」は１位にランキングされている。

図８は、「ドンペリドン錠１０ｍｇＴＹＫ」について、本実施形態の医薬品特定装置で得られた結果を従来例との比較を示す図である。
ラマンＱＩ値と近赤外ＱＩ値を掛け合わせて類似度を算出し、類似度からランク付けをすると、「ドンペリドン錠１０ｍｇＴＹＫ」が１位となり、正しい結果を示している。

図９は、４６種類の医薬品サンプルについて、本実施形態の医薬品特定装置で得られた結果の従来例との比較を示す図である。
ラマン分光法単独ではランキング５位以内に入ったものが４６サンプル中４０サンプル（８７％）であり、６つのサンプル（１３％）は６位以下にランキングされた。しかし、ラマンＱＩ値と近赤外ＱＩ値を掛け合わせて類似度を算出し、類似度からランク付けをするとランキング５位以内に入ったものが４６サンプル中４５サンプル（９８％）で、一つのサンプル（２％）だけが６位にランキングされた。

図１０は、本実施形態の一つである医薬品特定システム（散薬重量兼成分監査装置）１Ａを説明する図である。

プロセッサ１０とメモリ２０は別々の筐体に格納され、互いに無線ネットワークで電気的に接続されている。
図示されている装置では、プロセッサ１０とメモリ２０は別々の筐体に格納されているが、両者は一体であってもよい。

サンプルホルダ９１は、測定対象の医薬品（分包された医薬品）（サンプル１００）を保持する皿状のホルダである。サンプルホルダ９１は、重量計１１１に係属されており、サンプル１００を保持すると同時に、重量計１１１によって、サンプル１００の重量を計測し、重量計１１１に表示する。

サンプルホルダ９１に保持されたサンプル１００には、内蔵された近赤外線光源５０から照射される光が当たるように設計されている。

近赤外線光源５０はタングステンランプであり、タングステンランプから発せられる光は３５０ｎｍから３０００ｎｍ付近までの連続スペクトルを有している。近赤外線光源５０は光ファイバー７０を介してロングパスフィルタ８０に繋がっている。ロングパスフィルタ８０は９９０ｎｍより長い波長の光をカットする。

近赤外分光器６０は、サンプル１００にからの反射波（第二の光波）を、光ファイバー７０を介して９００ｎｍから１７００ｎｍの波長の光を検知する。近赤外分光器６０の例は、スペクトラコープ社製ＮＩＲ Ｍｅｔｅｒである。

プロセッサ１０は、近赤外分光器６０で検知した反射波から近赤外スペクトルを取得する。このとき、得られた近赤外スペクトル（医薬品に対する特性）について二次微分処理を行う。

プロセッサ１０は、得られた近赤外スペクトルの二次微分と、メモリ２０に格納されている「医薬品データ」を１０００ｎｍから１６００ｎｍの範囲で照合し、近赤外Ｑｕａｌｉｔｙ Ｉｎｄｅｘ値（近赤外ＱＩ値）を算出する。この近赤外ＱＩ値は、測定スペクトルとデータベースに格納された「医薬品データ」に含まれるスペクトルとの差と関連しており、小さければ小さいほど両者のスペクトルは類似していることを示す。プロセッサ１０は、例えば、市販されているデータベース照合ソフトウェア「Ｓｐｅｃｔｒａｌ ＩＤ（ＴｈｅｒｍｏＦｉｓｃｈｅｒ」を利用して処理を行ってもよい。

さらにプロセッサ１０は、測定対象の「医薬品」の測定データに対して、近赤外ＱＩ値が上位２０位までの医薬品をリストアップする。

さらにプロセッサ１０は、測定対象の「医薬品」の測定データに対して、ラマンＱＩ値が上位２０位までの医薬品と近赤外ＱＩ値が上位２０位までの医薬品について、ラマンＱＩ値と近赤外ＱＩ値を掛け合わせて「類似度」を算出する。

さらにプロセッサ１０は、類似度について小さい順に対応する医薬品をリストアップし、必要に応じて（図示されていない）ディスプレイに表示させる。プロセッサ１０は、リストの最上位の医薬品とその量を処方データとする。

また、プロセッサ１０は処方データ及び患者に関する情報を関連付けてメモリ２０に蓄積する。

分包されたサンプル１００の重量を測定しながら、同時に分光分析手法によって内部成分の特定までを行う医薬品特定システム（散薬重量兼成分監査装置）１Ａである。なお、サンプル１００は、散薬に限定されるものではなく、水薬、注射薬、軟膏クリーム、粉砕した錠剤、カプセル剤の内容物を取り出したものにも応用が可能である。

分光技法を用いて顧客に処方された医薬品の種類と量をより正確に特定、検証し、より安全で効果的な薬剤治療計画を立案、遂行することが可能となり、さらに需要予測など在庫管理に役立つデータを取得することができる。

１ 医薬品特定システム
１Ａ 医薬品特定システム（散薬重量兼成分監査装置）
１１１重量計
１０ プロセッサ
２０ メモリ
３０ ラマン分光器
４０ ショートパスフィルタ
５０ 近赤外線光源
６０ 近赤外分光器
７０ 光ファイバー
８０ ロングパスフィルタ
９０ サンプルホルダ
９１ サンプルホルダ（皿状）

Claims (19)

1. 患者に処方された医薬品を特定及び検証し、前記患者と関連付ける装置であって、
   前記医薬品を透過した、または前記医薬品によって散乱もしくは反射された第一の光波を検知する第一の検知器と、
   前記医薬品を透過した、または前記医薬品によって散乱もしくは反射された前記第一の光波とは異なる波長を有する第二の光波を検知する第二の検知器と、
   前記第一及び前記第二の光波に基づいて、前記医薬品に対する特性を設定し、前記特性および予め設定された医薬品データを参照して前記患者に処方された前記医薬品の種類および量を含む処方データを特定し、前記処方データ及び前記患者に関する情報を関連付けて前記メモリに蓄積するプロセッサと、
   を含む装置。
2. 前記第一の光波はラマン散乱光である、請求項１の装置。
3. 前記第二の光波は近赤外、中赤外、遠赤外を含む赤外線である、請求項１または２の装置。
4. 前記特性は、前記第一の光波の波形および前記第二の光波の波形の一部または全部をフーリエ変換して得られるスペクトルを含む、請求項１乃至３のいずれか一項の装置。
5. 前記特性は、前記第一の光波および前記第二の光波の一部または全部の時間分解スペクトルを含む、請求項４の装置。
6. 前記特性は、前記第一の光波の波形および前記第二の光波の波形の一部または全部をウェーブレット変換して得られるスペクトルを含む、請求項１乃至５のいずれか一項の装置。
7. 前記プロセッサは、前記特性に基づいて、前記医薬品が正規品であるか否かを判定するステップを含む、請求項５または６の装置。
8. 前記プロセッサは、前記患者に処方された前記処方データを前記メモリに記憶し、前記患者に対して販売予定の前記医薬品または前記医薬品とは別の医薬品の購入を予測する、請求項１乃至７のいずれか一項の装置。
9. 前記医薬品データは、予め設定された前記医療品の基準スペクトルを含み、
   前記プロセッサは、前記第一の光波の波形および前記第二の光波の波形の一部または全部から得られる前記スペクトルと、前記基準スペクトルの差から類似度を算出し、前記類似度から前記処方データを導出する、請求項４乃至８のいずれか一項の装置。
10. 患者に処方された医薬品を特定及び検証し、前記患者と関連付けて記憶するシステムであって、
    既知の医薬品に対応する医薬品データを蓄積するメモリと、
    前記医薬品を透過した、または前記医薬品によって散乱もしくは反射された第一の光波を検知する第一の検知器と、
    前記医薬品を透過した、または前記医薬品によって散乱もしくは反射された前記第一の光波とは異なる波長を有する第二の光波を検知する第二の検知器と、
    前記第一及び前記第二の光波に基づいて、前記医薬品に対する特性を設定し、前記特性および前記メモリに蓄積された前記医薬品データに基づいて前記患者に処方された前記医薬品の種類および量を含む処方データを特定し、前記処方データ及び前記患者に関する情報を関連付けて前記メモリに蓄積するプロセッサと、
    を含むシステム。
11. 患者に処方された医薬品を特定及び検証し、前記患者と関連付けて記憶する方法であって、
    前記医薬品を透過した、または前記医薬品によって散乱もしくは反射された第一の光波を検知するステップと、
    前記医薬品を透過した、または前記医薬品によって散乱もしくは反射された前記第一の光波とは異なる波長を有する第二の光波を検知するステップと、
    前記第一及び前記第二の光波に基づいて、前記医薬品に対する特性を設定するステップと、
    前記特性および前記医薬品データに基づいて前記患者に処方された前記医薬品の種類および量を含む処方データを特定ステップと、
    前記処方データ及び前記患者に関する情報を関連付けて蓄積するステップと、
    を含む方法。
12. 前記第一の光波はラマン散乱光である、請求項１１の方法。
13. 前記第二の光波は近赤外、中赤外、遠赤外を含む赤外線である、請求項１１または１２の方法。
14. 前記特性は、前記第一の光波の波形および前記第二の光波の波形の一部または全部をフーリエ変換して得られるスペクトルを含む、請求項１１乃至１３のいずれか一項の方法。
15. 前記特性は、前記第一の光波および前記第二の光波の一部または全部の時間分解スペクトルを含む、請求項１１乃至１３のいずれか一項の方法。
16. 前記特性は、前記第一の光波の波形および前記第二の光波の波形の一部または全部をウェーブレット変換して得られるスペクトルを含む、請求項１１乃至１５のいずれか一項の方法。
17. さらに、前記特性に基づいて、前記医薬品が正規品であるか否かを判定するステップを含む、請求項１５または１６の方法。
18. さらに、前記患者に処方された前記処方データに基づき、前記患者に対して販売予定の前記医薬品または前記医薬品とは別の医薬品の購入を予測するステップを含む、請求項１１乃至１７のいずれか一項の方法。
19. 前記医薬品データは、予め設定された前記医療品の基準スペクトルを含み、
    さらに、前記第一の光波の波形および前記第二の光波の波形の一部または全部から得られる前記スペクトルと、前記基準スペクトルの差から類似度を算出し、前記類似度から前記処方データを導出するステップを含む、請求項１４乃至１８のいずれか一項の方法。