使用H2O自动机器学习算法来识别在数据丰富环境中的患者中基于Web的医疗记录不使用的预测因素:混合方法研究研究

科学领域:

• 医疗信息学 医疗信息学
• 数字健康数字健康
• 患者参与 患者参与

背景情况:

• 基于网络的医疗记录提供了医生-病人沟通和信任的改善.
• 尽管这些数字医疗工具可用,但许多患者并未使用它们.

研究的目的:

• 确定患者中不使用基于网络的医疗记录的人口和行为预测因素.
• 探索影响患者采用电子健康记录的因素.

主要方法:

• 利用了国家癌症研究所2019-2020年健康信息国家趋势调查的数据.
• 雇佣的奇平方和t测试用于初始变量选.
• 应用了五种机器学习算法 (逻辑回归,通用线性模型,随机森林,深度神经网络,梯度增强机) 用于使用H2O.ai平台进行预测建模.
• 用5倍交叉验证对培训 (80%) 和测试 (20%) 数据集进行验证的模型.

主要成果:

• 在9072名受访者中,59.62%的人没有使用基于网络的医疗记录的经验.
• 确定了29个不使用的关键预测因素,包括6个社会人口统计学变量 (年龄,BMI,种族,婚姻状况,教育,收入) 和23个生活方式/行为变量 (互联网使用,健康状况,健康问题).
• 自动随机森林模型显示出高准确度,曲线下的面积为88.52% (验证) 和82.87% (测试).

结论:

• 基于网络的医疗记录趋势的未来研究应该考虑诸如年龄,教育,BMI和婚姻状况等社会决定因素.
• 个人生活方式和行为因素,包括电子设备使用和健康问题,是采用的关键预测因素.
• 针对特定患者群体的有针对性的干预措施可以提高电子病历的利用率和效益.