一个机器学习模型使用临床笔记来估计抑郁症患者的PHQ-9症状严重性得分

科学领域:

• 计算精神病学是一种计算精神病学.
• 临床信息学是一种临床信息学.
• 机器学习在医疗保健中的应用

背景情况:

• 在临床实践中,由于患者健康问卷9项 (PHQ-9) 评分的有限可用性,严重抑郁症 (MDD) 治疗的随访受到阻碍.
• 电子病历 (EMR) 包含有价值的数据来估计患者的结果.

研究的目的:

• 开发和验证一个机器学习模型,从MDD患者的EMR数据中估计PHQ-9分数 (ePHQ-9).
• 评估PHQ-9估计得分对临床后续和研究结果测量的可用性的影响.

主要方法:

• 在现实世界心理健康数据库中利用了处方者笔记中的结构化和非结构化数据.
• 开发并验证了一种机器学习模型,使用大量记录PHQ-9分数的MDD患者队列进行验证.
• 将模型应用于缺乏PHQ-9分数的MDD患者遭遇,以量化可用数据的增加.

主要成果:

• 最终的模型是从超过143,000次接触中开发的,表现出高性能 (AUC 0.81,PPV 0.71,NPV 0.76).
• 将近20万名MDD患者的应用显著增加了PHQ-9措施的可用性.
• 每年每个患者可用的平均得分数量增加了2.8倍.

结论:

• 经过验证的ePHQ-9模型有效地解决了抑郁症护理中的测量差距.
• 这种方法大大提高了现实世界数据的数量,可用于临床后续和MDD的研究.
• 局限性包括对非处方环境的概括性和临床医生估计和患者报告的得分之间的固有差异.