评估与自杀相关的紧急情况儿童的检测:计算型表型化方法的评估和开发
Juliet Beni Edgcomb1,2, Chi-Hong Tseng3, Mengtong Pan3
1Mental Health Informatics and Data Science (MINDS) Hub, Center for Community Health, Semel Institute for Neuroscience and Human Behavior, University of California Los Angeles, Los Angeles, CA, United States.
JMIR mental health
|July 21, 2023
概括
机器学习模型显著提高了使用健康记录数据的儿童自我伤害思想和行为 (SITB) 的检测. 这种方法提高了与传统的诊断代码和首席投诉相比的敏感性.
科学领域:
- 儿科急诊医学 儿科急诊医学
- 临床信息学 临床信息学
- 儿童和青少年心理健康
背景情况:
- 自杀是儿童死亡的主要原因.
- 在健康数据中检测儿童自杀紧急情况的最佳方法是未知的.
研究的目的:
- 评估ICD-10-CM代码和首席投诉,以检测儿童的自我伤害思想和行为 (SITB).
- 使用健康记录数据开发和测试用于SITB检测的机器学习模型.
主要方法:
- 临床医生图表审查为600次急诊部访问 (年龄为10-17岁) 建立了黄金标准.
- 与ICD-10-CM代码进行比较,以及对黄金标准的主要投诉.
- 在编码的健康数据上训练和测试机器学习模型 (逻辑回归,随机森林).
主要成果:
- 在47.3%的访问中出现了SITB.
- 诊断代码错过了28.9%,首席投诉错过了53.9%的SITB病例.
- 机器学习模型显著提高了SITB检测灵敏度,而不是仅仅是代码/投诉.
结论:
- 应用于健康记录的机器学习可以提高SITB儿童的检测.
- 未来的研究应该探索点的护理实施和准确的目标,以预防自杀.
更多相关视频
11:29Measuring the Functional Abilities of Children Aged 3-6 Years Old with Observational Methods and Computer Tools
Published on: June 20, 2020
9.2K
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
7.1K
