Identificación de la "zona gris": Desarrollo de métodos escalables para detectar el mal uso de opioides en veteranos...

Área de la Ciencia:

• Informática Clínica
• Farmacovigilancia
• Aprendizaje Automático en la Atención Médica

Sus antecedentes:

• Los pacientes con prescripción de opioides con alto riesgo de mal uso, pero sin trastorno por uso de opioides (OUD), presentan un desafío clínico de "zona gris" para la identificación y la intervención.
• Las revisiones manuales de historias clínicas son efectivas pero requieren muchos recursos.
• Los registros de salud electrónicos (EHR) carecen de códigos específicos para este grupo, lo que limita la comprensión.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático para identificar pacientes en la "zona gris" utilizando datos estructurados de EHR.
• Mejorar la identificación de pacientes con alto riesgo de opioides más allá de la revisión manual.

Principales métodos:

• Se realizaron revisiones manuales de historias clínicas de 741 veteranos de EE. UU. con prescripciones de opioides a largo plazo y códigos ICD.
• Se entrenaron modelos de Regresión de Red Elástica (ENR) con este conjunto de datos para predecir el estado de "zona gris" utilizando datos estructurados de EHR.
• Los modelos se aplicaron a una muestra más grande y no revisada de veteranos.

Principales resultados:

• El 73% de los pacientes revisados cumplieron los criterios de la "zona gris".
• El modelo principal de ENR logró un valor predictivo positivo (VPP) del 84%, una mejora del 11% con respecto a los datos estructurados por sí solos.
• El modelo identificó 4047 personas adicionales en la "zona gris" y destacó las variables predictivas clave.

Conclusiones:

• Los modelos de aprendizaje automático pueden mejorar significativamente la identificación de pacientes en la "zona gris" en comparación con los métodos tradicionales.
• Este enfoque facilita la identificación a nivel de población para la investigación específica y las intervenciones clínicas.