使用机器学习进行试点研究,以改善对身体虐待流行率的估计

科学领域:

• 医疗信息学 医疗信息学
• 儿科急救医学 儿科急救医学
• 医疗保健中的机器学习

背景情况:

• 疾病国际分类,第十次修订,临床修改 (ICD-10-CM) 代码经常低估了身体虐待的普遍性.
• 机器学习 (ML) 通过处理各种数据,提供了更准确的滥用估计的潜力.

研究的目的:

• 证明使用ML来识别与虐待儿童相关的ICD-10-CM代码的可行性.
• 开发一种用于滥用检测的概念验证模型.

主要方法:

• 使用ICD-10-CM代码和患者年龄开发了一个LASSO后勤回归模型.
• 分析了2016-2020年间由儿童保护小组 (CPT) 评估的5岁以下儿童的数据.
• 模型性能使用交叉验证 (CV) 和接收器操作员特征 (ROC) 曲线进行评估.

主要成果:

• 在使用诊断码和年龄识别确诊的身体虐待 (PA) 时,ML模型实现了0.87的平均CV AUC.
• 对于缺乏特定滥用ICD-10-CM代码的病例,模型的性能略低 (平均CV AUC = 0.81).

结论:

• 使用ICD-10-CM代码和年龄的模型可以提高区分虐待与非虐待伤害的准确性.
• 这项试点研究代表了改善人口层面虐待估计的基本步骤.