在电子健康记录中实施产后抑郁症机器学习风险预测模型
Yiye Zhang1,2, Rochelle Joly1, Ashley N Beecy1,2
1Weill Cornell Medicine, New York, NY.
概括
这项研究部署了一个AI临床决策支持系统,用于产后抑郁症 (PPD) 管理. 该系统使用电子健康记录的机器学习来改善PPD预防和诊断.
科学领域:
- 医疗保健中的人工智能
- 临床信息学 临床信息学
- 机器学习用于医疗应用.
背景情况:
- 产后抑郁症 (PPD) 对母亲和婴儿的福祉构成重大风险.
- 有效的预防,诊断和管理策略对于母亲健康至关重要.
- 现有的临床工作流程可能会从改进的决策支持工具中受益.
研究的目的:
- 描述用于PPD的AI驱动的临床决策支持 (CDS) 系统的部署.
- 详细介绍技术架构和将CDS集成到临床实践中.
- 通过自动化临床途径促进有效的PPD风险管理.
主要方法:
- 使用电子健康记录 (EHR) 数据开发了一个L2规范化的后勤回归模型.
- 为了概括性和公平性,我们使用联盟数据来完善模型.
- 利用微软Azure进行可扩展部署和FHIR进行数据互操作.
- 实现了CI/CD管道,用于自动部署和维护.
- 将CDS风险评估整合到临床工作流程中.
主要成果:
- 成功部署了一个人工智能驱动的CDS系统用于PPD.
- 在微软Azure上建立了一个可扩展和安全的部署架构.
- 使用FHIR标准确保数据互操作性.
- 通过CI/CD管道自动化部署和维护流程.
- 将风险评估和行动选项整合到临床医生的时间表中.
结论:
- 部署的AI-CDS系统为PPD风险管理提供了可扩展和高效的方法.
- 无地集成到临床工作流程中,提高了可用性和采用性.
- 该系统有可能显著改善PPD预防,诊断和管理结果.
- 利用EHR数据和现代部署实践是有效的临床AI解决方案的关键.
