改进基于诊断的质量措施:机器学习的应用,用于在门诊患者中预测物质使用障碍
Katherine J Hoggatt1,2, Alex H S Harris3,4, Corey J Hayes5,6,7
1Center for Data to Discovery and Delivery Innovation (3DI), San Francisco VA Health Care System, San Francisco, California, USA katherine.hoggatt@va.gov.
机器学习模型改善了电子健康记录中的物质使用障碍 (SUD) 检测,揭示了严重的不足诊断. 这些模型提高了设施质量评估,但强调了需要更好地直接查非酒精药物使用.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 药物使用障碍研究 药物使用障碍研究
背景情况:
- 药物使用障碍 (SUD) 在临床环境中经常被发现和记录不足.
- 电子健康记录 (EHR) 包含大量数据,但往往缺乏全面的SUD文档.
- 医疗机构之间诊断实践的差异可能导致测量盲点.
研究的目的:
- 开发和验证机器学习 (ML) 模型,以使用EHR数据估计SUD流行率.
- 通过将记录的诊断与基于模型的流行率估计进行比较,评估设施级SUD识别中的差异.
- 评估基于ML的估计对医疗保健设施质量评估的有用性.
主要方法:
- 开发和交叉验证了包括LASSO在内的多个ML模型,使用来自30个退伍军人卫生管理局 (VA) 站点的5989名患者的EHR数据.
- 在模型开发中使用患者调查作为SUD流行标准标准.
- 与基于模型的估计SUD流行率相比,设施级SUD诊断率.
主要成果:
- 与单独使用文档诊断相比,表现最好的LASSO模型显示SUD分类灵敏度显著增加 (0.682对0.331).
- 据估计,各设施的SUD患病率在9.7%至16.0%之间,与6.4%至13.9%的记录诊断率形成鲜明对比.
- 基于SUD识别的设施排名差异很大,在30个网站中,有16个网站在将诊断率与估计流行率进行比较时显示至少一个五分之一的排名变化.
结论:
- 基于模型的绩效测量可以帮助缓解因医疗保健场所诊断准确度不同而引起的测量问题.
- 基于ML的SUD患病率估计为设施质量评估提供了比单独诊断率更准确的图片.
- 加强非酒精性药物使用的直接查对于改善个人SUD检测和整体护理至关重要.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
相关概念视频
Substance Use Disorders Affecting Sleep
Understanding the concepts of physical dependence,...
Drug Abuse and Addiction: Pharmacological Phenomena
Drug Dependence
