基于机器学习的患者报告的药物坚持结果测量结果的心理测量特性:单中心,横截面,观察性研究
Virginie Korb-Savoldelli1,2, Yohann Tran3,4, Germain Perrin1,5
1Pharmacy Department, Hôpital européen Georges Pompidou, Assistance Publique - Hôpitaux de Paris (APHP), Paris Cedex 15, France.
Journal of medical Internet research
|October 16, 2023
概括
这项研究开发了一种机器学习工具,用于通过患者报告的结果测量 (PROM) 来评估药物坚持. 该工具准确地识别了需要支持的患者,优化了医疗保健资源分配.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 患者报告的结果
背景情况:
- 药物坚持对于慢性疾病管理至关重要,影响患者的治疗结果和医疗保健成本.
- 目前对药物坚持的评估方法,通常是患者报告的结果措施 (PROM),捕捉主观的不坚持维度.
- 机器学习 (ML) 提供了模拟影响药物坚持的复杂患者行为潜力.
研究的目的:
- 开发和验证患者报告的疗效衡量 (PROM) 药物坚持.
- 使用机器学习 (ML) 方法来解释PROM数据,以提高准确性.
- 创建一个工具,以高效,准确地评估药物服药.
主要方法:
- 法国一家教学医院的横截面观察研究 (2021-2022).
- 使用德尔菲共识流程开发11项PROM,然后将项目减少到5项版本.
- 机器学习 (ML) 衍生决策树是使用218名患者的PROM反应和坚持状态构建的.
主要成果:
- 一个由ML决策树解释的5项PROM,将患者的药物坚持性分类为 (差,中等,高).
- 该工具的灵敏度为78%,特异性为71%,高负预测值 (NPV) 为93%.
- 总体准确率为70%,优秀的NPV表明在识别不坚持患者方面具有很强的可靠性.
结论:
- 开发了一种基于ML的新型药物坚持评估工具,具有出色的负预测价值.
- 这种工具可以帮助优先考虑干预措施,防止对高度坚持患者的不必要的资源分配.
- 建议在不同患者群体进行进一步的外部验证,以确认其临床实用性.
