预测住院精神病治疗后的非自愿入院,使用在电子健康记录数据上训练的机器学习

科学领域:

• 精神病学是一个精神病学.
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 精神病医院的非自愿入院人数正在增加.
• 早期识别有风险的患者对于预防至关重要.
• 电子健康记录 (EHR) 的常规临床数据可以用于预测建模.

研究的目的:

• 开发和验证用于预测非自愿精神病医院入院的机器学习模型.
• 为了利用常规的临床EHR数据进行风险预测.
• 为了确定患有高风险的患者及时进行干预.

主要方法:

• 分析了来自精神病医疗服务系统的2013-2021年EHR数据.
• 预测因素包括诊断,药物,强制措施和自由文本数据.
• XGBoost和弹性网模型在大量自愿性住院患者出院的队列上进行了训练和验证.

主要成果:

• 该模型在近18,000名患者的5万多次出院中接受了训练.
• 最好的模型在接收器操作特征曲线 (AUROC) 下的面积为0.84 (XGBoost) 和0.83 (弹性净).
• 这些模型在180天内预测非自愿入院的准确性很高.

结论:

• 使用常规EHR数据的机器学习模型可以准确地预测非自愿的精神病医院入院.
• 作为临床决策支持工具的实施可以指导干预.
• 这种方法有可能减少非自愿住院.