使用机器学习来预测医院环境中的药物处方审查期间的药物干预措施

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 临床药房 临床药房

背景情况:

• 药物错误是一个重大的全球公共卫生挑战.
• 临床药剂师在减少不适当的药物使用方面面临着日常的障碍.
• 医疗信息学和人工智能的进步为检测处方错误提供了新的工具.

研究的目的:

• 为了比较两个机器学习模型在预测需要药物干预 (PI) 的有效性.
• 用医院处方数据评估光梯度增强机 (LGBM) 和随机森林 (RF) 模型的性能.

主要方法:

• 一项回顾性研究利用了四年来来自单一医院的数据,包括2,059,847条处方线和260,611个PI.
• 两种基于树的二进制分类模型,LGBM和RF,在一个数据集上进行训练和测试,分为70%的训练和30%的测试部分.
• 对全球数据集和医疗保健部门分层数据的模型性能进行了评估.

主要成果:

• 在各种指标上,LGBM模型的表现普遍优于RF模型,包括精度 (86%与85%对比),精度 (80%与42%对比),特异性 (97%与89%),AUC (83%与71%对比) 和F1得分 (58%与47%对比).
• 射频模型的召回率更高 (53%对46%).
• 在全球数据集上训练的LGBM模型比在部门数据上训练的模型更有效.

结论:

• 该LGBM模型在识别不合适的处方方面表现出卓越的表现,这表明处方审查的彻底性和效率可能有所改善.
• 这种由人工智能驱动的方法对推进医院临床药房有前途.
• 需要进一步的研究来验证这些发现,并探索在优化处方管理和增强患者护理方面更广泛的应用.