一种机器学习技术,用于解决老年多病症患者的药物相关风险
Diane L Seger, Mary G Amato, Michelle Frits
1Brigham and Women's Hospital, 75 Francis St, Boston, MA 02215.
"FeelBetter"机器学习系统准确地识别了高风险的老年患者的急诊室访问和住院. 它还提供可靠的药物建议,以改善患者护理.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 老年医学 老年医学
背景情况:
- 患有多种慢性疾病 (多重病变) 的老年患者有很高的不良健康事件的风险.
- 与药物相关的急诊室 (ED) 访问和住院对医疗保健系统构成重大负担.
- 准确的风险分层和有针对性的干预措施对于管理这种患者群体至关重要.
研究的目的:
- 评估FeelBetter机器学习系统在识别高风险药物相关急救诊所和住院治疗的多病症老年患者方面的准确性.
- 评估系统在为高风险患者生成准确的药物推方面的能力.
主要方法:
- 追溯队列研究的设计.
- "感觉更好"系统利用患者数据 (药物,人口统计,诊断,实验室结果,医疗保健利用率,成本) 来分层风险.
- 后勤回归模型评估了风险百分比和ED访问/住院之间的关联. 临床药剂师审查了系统生成的药物推.
主要成果:
- 在前1%风险百分点的患者,与第45至50百分点相比,ED访问 (OR=7.9) 和住院 (OR=17.3) 的几率明显更高.
- 平均6.65个警告与每位患者的前五大优先级药物有关.
- 在审查的警告中,89.2%被临床药剂师认为是准确的.
结论:
- "FeelBetter"系统有效地根据ED使用和住院的风险对具有多病症的老年人进行分层.
- 该系统的药物推在很大程度上是准确的,并显示出改善患者护理和结果的潜力.
更多相关视频
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
11:21Methodology for Establishing a Community-Wide Life Laboratory for Capturing Unobtrusive and Continuous Remote Activity and Health Data
Published on: July 27, 2018
相关概念视频
Drug Therapy
Antianxiety Medications
Factors Affecting Drug Response: Overview
Analysis of Population Pharmacokinetic Data
Methods of Documentation VI: Case Management Model
For example, a patient with a chronic...
Model Approaches for Pharmacokinetic Data: Distributed Parameter Models
The distributed parameter models are specifically designed to account for variations and differences in some drug classes. This model is particularly useful for assessing regional concentrations of anticancer or...
Mechanistic Models: Overview of Compartment Models
