实施机器学习查营养不良工具:从定性研究的见解适用于其他基于机器学习的临床决策支持系统

科学领域:

• 临床信息学 临床信息学
• 医疗保健服务研究 医疗服务研究
• 医疗保健中的人工智能

背景情况:

• 基于机器学习 (ML) 的临床决策支持系统 (CDSS) 在可用性,可解释性和有效性方面面临挑战.
• 评估基于ML的CDSS实施对于临床医生接受和高质量的医疗保健至关重要.
• 营养不良是医院中普遍存在的,诊断不足的疾病,具有显著的不良结果.

研究的目的:

• 评估实施营养不良普遍查工具 (MUST) -Plus的实施情况,这是一个用于预测高风险营养不良患者的ML工具.
• 在临床环境中确定基于ML的CDSS的最佳实施实践.

主要方法:

• 进行了实施后的定性评估.
• 使用MUST-Plus工具对注册营养学家 (RD) 进行了深入采访.
• 使用非采用,放弃,扩大,扩散和可持续性 (NASSS) 框架分析了新兴主题.

主要成果:

• 改进改善了MUST-Plus的准确性和可用性;该工具识别了以前看不见的患者.
• 感知到的有用性在原始站点是最高的,准确性因受访者和站点而异.
• 集成到工作流程和电子健康记录中发生了,希望有一个单一的自动查器.

结论:

• 持续的利益相关者参与对于买入至关重要,特别是在员工流动方面.
• 定性研究可以揭示ML工具的偏见,促进健康公平.
• 开发人员和临床医生之间的合作可以优化CDSS的接受性和使用.