将最终用户的观点纳入机器学习算法的开发中,首次预测围产期抑郁症

科学领域:

• 医疗保健中的人工智能
• 心理健康技术 心理健康技术
• 临床决策支持系统 临床决策支持系统

背景情况:

• 机器学习 (ML) 算法为推进临床护理提供了潜力,特别是在识别诸如围产期抑郁症等心理健康状况方面.
• 当前的ML算法开发往往忽视了它们旨在服务的人群的关键观点.
• 整合最终用户的洞察力对于成功开发和实施医疗保健技术至关重要.

研究的目的:

• 描述将最终用户视角纳入新产期抑郁症发病预测算法开发和实施计划的过程.
• 确保开发的算法是可解释的,完整的,对医疗保健提供者和患者都是可以接受的.
• 从预测算法中获得的面向患者的选器的临床实施信息.

主要方法:

• 进行了12名医疗服务提供者的焦点小组和4个虚拟社区参与工作室,共21名患者.
• 介绍了用于首次检测围产期抑郁症的新型预测算法的初步开发.
• 利用快速的定性分析来编码算法的完整性,可解释性和利益相关者的可接受性.

主要成果:

• 提供者和患者就算法解释性达成共识,并提出了额外的预测变量.
• 患者希望与提供者讨论查结果,他们对有限的带宽表示担忧.
• 两组都强调需要对选后的资源连接,并指出对资源可用性的担忧.

结论:

• 来自最终用户的定性发现被整合到代算法开发中.
• 该研究为围产期抑郁症预测算法的实施试点计划提供了信息.
• 结合最终用户的专业知识可以提高临床采用风险预测算法.