(EN) Methods, systems, and computer program products for pharmacy substitutions obtain claims data associated with a claim for a prescription associated with a patient; determine, based on the claims data, a universal identifier for the prescription; obtain drug diagnosis data associated with known diagnoses for universal identifiers associated with prescriptions; determine, based on the universal identifier and the drug diagnosis data, a likely diagnosis associated with the prescription; determine, based on the claims data, a cost associated with the likely diagnosis; determine, for the likely diagnosis, using a machine learning model trained based on a training dataset, a potential alternative prescription to the prescription; update, based on user input, the training dataset to include the likely diagnosis associated with the alternative prescription; and train the machine learning model based on the updated training dataset.
(FR) L'invention concerne des procédés, des systèmes et des produits-programmes informatiques pour substituer des produits pharmaceutiques, qui comprennent les étapes suivantes : obtenir des données de demande de remboursement associées à une demande de remboursement relative à une ordonnance associée à un patient ; déterminer, sur la base des données de demande de remboursement, un identifiant universel pour l'ordonnance ; obtenir des données de diagnostic de médicament associées à des diagnostics connus pour des identifiants universels associés à des ordonnances ; déterminer, sur la base de l'identifiant universel et des données de diagnostic de médicament, un diagnostic probable associé à l'ordonnance ; déterminer, sur la base des données de demande de remboursement, un coût associé au diagnostic probable ; déterminer, pour le diagnostic probable, à l'aide d'un modèle d'apprentissage automatique entraîné sur la base d'un ensemble de données d'apprentissage, une ordonnance alternative potentielle pour cette ordonnance ; mettre à jour, sur la base d'une entrée d'utilisateur, l'ensemble de données d'apprentissage afin d'inclure le diagnostic probable associé à l'ordonnance alternative ; et entraîner le modèle d'apprentissage automatique sur la base de l'ensemble de données d'apprentissage mis à jour.