为ADAPT项目实时实现一种阿片类药物使用障碍 (OUD) 机器学习现象型

科学领域:

• 医疗保健中的机器学习
• 临床信息学 临床信息学
• 公共卫生 公共卫生

背景情况:

• 阿片类药物使用障碍 (OUD) 是一个重大的公共卫生挑战.
• 在急诊室 (ED) 识别OUD患者对于及时干预至关重要.
• 目前在ED中OUD识别的方法可能是低效的.

研究的目的:

• 开发和部署一个实时,EHR集成的机器学习 (ML) 现型.
• 为了识别急诊室 (ED) 患有阿片类药物使用障碍 (OUD) 的患者.
• 为了促进未来的临床试验查和布普伦诺芬启动.

主要方法:

• 这是一项跨三个ED的多阶段研究.
• 训练了一个随机的森林分类器,使用分类时可用的访问级数据.
• 在EHR中嵌入ML评分,以触发护理点警报.
• 通过结构化,与DSM-5一致的图表审查来建立临床医生的黄金标准以进行验证.

主要成果:

• 与白银标准相对的高度追溯歧视 (ROC AUC 0.99,PR AUC 0.92).
• 前性验证显示出高性能:正预测值为98.28%,负预测值为95.68%.
• ML表型准确且可行地实时识别了ED患者的OUD.

结论:

• 嵌入EHR的ML表型可以准确地识别ED患者与OUD在实时.
• 这种方法简化了临床试验的招生和OUD治疗的启动.
• 正在进行的工作将监测绩效,公平性和下游临床结果.