预测精神病医院住院后退伍军人的自杀死亡,使用基于变压器的模型与社会决定因素和NLP

科学领域:

• 精神病学和心理健康 精神病学和心理健康
• 医疗信息学 医疗信息学
• 公共卫生 公共卫生

背景情况:

• 预测精神病医院 (PDPH) 出院患者的自杀死亡对于有针对性的干预至关重要.
• 健康的社会和行为决定因素 (SBDH) 越来越多地被认为是影响健康结果的重要因素.
• 现有的预测模型可能无法完全捕捉出院后自杀风险的复杂性.

研究的目的:

• 评估将SBDH纳入是否改善了PDPH中自杀死亡的预测.
• 为了比较传统的机器学习和深度学习模型的性能,并没有SBDH预测器.
• 评估由ICD代码和自然语言处理 (NLP) 衍生的SBDH对模型准确性和公平性的影响.

主要方法:

• 从VHA精神病医院 (2017-2019) 出院的大量队列 (197,581名美国退伍军人) 的分析.
• 包括行政数据和SBDH (来自ICD代码和NLP提取的临床笔记) 作为预测因素.
• 对集成机器学习模型和基于变压器的深度学习模型 (TransformEHR) 的评估.
• 使用灵敏度,正预测值 (PPV),接收器运行特征曲线 (AUROC) 下的面积,校准和公平性指标来评估预测性能.

主要成果:

• 与基线相比,基于ICD和NLP提取的SBDH在两种模型中都显著改善了AUROC.
• 与SBDH一起的TransformEHR表现出优越的校准和公平性,相比于组合模型.
• 通过NLP提取的SBDH进一步增强了AUROC,既适用于整体模型,也适用于TransformEHR.
• TransformEHR取得了显著的PPV率,用于预测出院后7至180天内发生的自杀事件.

结论:

• 无论是从ICD代码还是NLP中整合SBDH,都大大提高了PDPH自杀死亡的预测.
• 基于变压器的深度学习模型 (TransformEHR) 显示了在自杀风险预测中提高准确性,校准性和公平性的承诺.
• 在预测模型中利用SBDH可以改进出院后的干预措施并提高患者安全.