Mobile-Based Intelligent Drug Search Engine Using Machine Learning

Abstract

Hospitals and clinics serve as primary locations for medical services, where doctors often recommend specific medications for patients. However, patients sometimes stru,ggle to obtain high-quality medication due to a lack of knowledge about where to find it. This study aimed to develop a mobile-based intelligent drug search engine using a decision tree technique to predict the availability of drugs and pharmacies. The dataset comprised 600 records from six pharmacies in the Yola North Local Government, Adamawa State. After preprocessing and cleaning the data, the data were split into training (80%) and testing (20%) sets. A decision tree model was built using the Python Jupyter Notebook to predict the availability of malaria drugs and pharmacy locations. The model achieved high prediction accuracies of 94% and 98% on the training and test datasets, respectively, with precision and recall scores of 98%. Additionally, 5- fold cross-validation yielded a mean accuracy of approximately 95.57%. This study demonstrated the feasibility of using supervised learning to predict the availability of malaria and typhoid drugs, providing valuable insights for both pharmacies and clients. It is recommended that pharmacies leverage this ML model to ensure the optimal availability of medicines, thereby addressing the problem of drug accessibility. Individuals can utilize the mobile application to quickly identify pharmacies with the required drugs, potentially saving lives in critical situations

Les hôpitaux et les cliniques servent de lieux principaux pour les services médicaux, où les médecins recommandent souvent des médicaments spécifiques pour les patients. Cependant, les patients ont parfois du mal à obtenir des médicaments de haute qualité en raison d’un manque de connaissances sur l’endroit où le trouver. Cette étude visait à développer un moteur de recherche de médicaments intelligent sur mobile à l’aide d’une technique d’arbre de décision pour prédire la disponibilité des médicaments et des pharmacies. L’ensemble de données comprenait 600 dossiers de six pharmacies du gouvernement local de Yola North, dans l’État d’Adamawa. Après le prétraitement et le nettoyage des données, les données ont été divisées en entraînement (80%) et en tests (20%). Un modèle d’arbre de décision a été construit à l’aide du cahier Python Jupyter pour prédire la disponibilité de médicaments du paludisme et de lieux de pharmacie. Le modèle a atteint des précisions de prédiction élevées de 94% et 98% sur les ensembles de données de formation et de test, respectivement, avec des scores de précision et de rappel de 98%. De plus, la validation croisée 5 fois a donné une précision moyenne d’environ 95,57%. Cette étude a démontré la faisabilité de l’utilisation d’apprentissage supervisé pour prédire la disponibilité du paludisme et des médicaments typhoïdes, fournissant des informations précieuses pour les pharmacies et les clients. Il est recommandé de tirer parti de ce modèle ML pour assurer la disponibilité optimale des médicaments, abordant ainsi le problème de l’accessibilité des médicaments. Les individus peuvent utiliser l’application mobile pour identifier rapidement les pharmacies avec les médicaments requis, potentiellement sauver des vies dans des situations critiques.