使用自然语言处理来为退伍军人事务患者开发特定风险级别的自杀预测模型
Maxwell Levis1, Monica Dimambro2, Joshua Levy3
1White River Junction VA Medical Center, 215 North Main Street, White River Junction, VT, 05009, USA; Geisel School of Medicine at Dartmouth, 1 Rope Ferry Rd, Hanover, NH, 03755, USA.
Journal of psychiatric research
|October 1, 2024
概括
退伍军人事务部 (VA) 患者的新自杀预测模型提高了所有风险级别的准确性. 这些模型利用电子健康记录更好地识别中度和低风险退伍军人群中的自杀风险.
科学领域:
- 公共卫生 公共卫生
- 心理健康 心理健康
- 数据科学数据科学数据科学
背景情况:
- 自杀是死亡的重要原因,退伍军人事务部 (VA) 患者的自杀率较高.
- 目前的VA自杀预防工作主要集中在高危人群中,他们占自杀死亡人数的不到10%.
- 之前的研究在VA系统中确定了中度和低风险的患者分组.
研究的目的:
- 改进针对高,中,低风险老兵患者群体的自杀预测方法.
- 通过结合风险级别特定的算法来增强VA领先的自杀预测模型.
- 改善在服务不足,非高风险退伍军人群体中识别自杀风险.
主要方法:
- 利用国家VA数据,包括2017-2018年4,584名退伍军人自杀事件,并匹配对照.
- 使用自然语言处理 (NLP) 分析了非结构化的电子健康记录 (EHR) 笔记.
- 应用机器学习分类算法来开发和评估风险级别特定的预测模型,使用曲线下的面积 (AUC) 评估准确性.
主要成果:
- 开发了具有显著预测准确度的风险级别特定模型:高风险 (AUC=0.621),中等风险 (AUC=0.669) 和低风险 (AUC=0.673).
- 这些模型与VA现有的领先的自杀预测算法相比,显示出更高的预测性能.
- 对衍生词的分析显示,每个风险组都有不同的模式:慢性疾病 (高风险),门诊护理 (中等风险) 和急性疾病 (低风险).
结论:
- 通过NLP和机器学习利用非结构化EHR数据为自杀风险预测提供了巨大的好处.
- 该研究提供了精细的,特定于风险级别的预测工具,扩大了适度和低风险退伍军人群体的资源.
- 这些进展对于解决历史上在VA系统内服务不足的退伍军人群体的自杀预防至关重要.
