Værktøjer til kunstig intelligens fremskynder processen med at identificere personer, der injicerer stoffer

Værktøjer til kunstig intelligens fremskynder processen med at identificere personer, der injicerer stoffer

RESULTATER

En automatiseret proces, der kombinerer naturlig sprogbehandling og maskinlæring, identificerer personer, der injicerer lægemidler (PWID) i elektroniske sundhedsjournaler hurtigere og mere præcist end nuværende metoder, der er afhængige af manuelle journalgennemgange.

BAGGRUND

I øjeblikket identificeres personer, der injicerer lægemidler, ved hjælp af International Classification of Diseases (ICD)-koder, der er angivet i patienters elektroniske sundhedsjournaler af sundhedsudbydere eller ekstraheret fra disse noter af uddannede menneskelige kodere, der gennemgår dem til faktureringsformål. Der er dog ingen specifik ICD-kode for intravenøs stofbrug, så udbydere og kodere skal stole på en kombination af uspecifikke koder som fuldmagter til at identificere PWID'er - en langsom tilgang, der kan føre til unøjagtigheder.

METODE

Forskere gennemgik manuelt 1.000 optegnelser fra 2003 til 2014 af personer indlagt på Veterans Administration hospitaler med Staphylococcus aureus bakteriæmi, en almindelig infektion, der opstår, når bakterierne kommer ind i åbninger i huden, såsom injektionssteder. De udviklede og trænede derefter algoritmer ved hjælp af naturlig sprogbehandling og maskinlæring og sammenlignede dem med 11 proxykombinationer af ICD-koder for at identificere PWID'er.

Begrænsninger af undersøgelsen omfatter potentielt dårlig dokumentation fra udbydere. Derudover er det anvendte datasæt fra 2003 til 2014, men injektionsmisbrugsepidemien er siden skiftet fra receptpligtige opioider og heroin til syntetiske opioider såsom fentanyl, som algoritmen kan gå glip af, fordi det datasæt, den lærte klassificeringen på, ikke indeholder mange eksempler på dette stof. Endelig kan resultaterne muligvis ikke generaliseres til andre omstændigheder, fordi de udelukkende er baseret på Veterans Administration-data.

PÅVIRKNING

Brugen af ​​denne kunstige intelligens-model accelererer processen med at identificere PWID'er betydeligt, hvilket kan forbedre den kliniske beslutningstagning, sundhedsforskning og administrativ overvågning.

KOMMENTAR

"Ved at bruge naturlig sprogbehandling og maskinlæring var vi i stand til at identificere mennesker, der injicerer stoffer i tusindvis af sedler inden for få minutter, sammenlignet med de adskillige uger, det ville tage en manuel anmelder," sagde hovedforfatter Dr. David Goodman-Meza, assisterende professor i medicin i afdelingen for infektionssygdomme ved David Geffen School of Medicine ved UCLA. "Dette ville gøre det muligt for sundhedssystemerne at identificere PWID'er for bedre at allokere ressourcer såsom sprøjteserviceprogrammer og stofbrug og mental sundhedsbehandling til mennesker, der bruger stoffer."

FORFATTER

De andre forskere i undersøgelsen er Dr. Amber Tang, Dr. Matthew Bidwell Goetz, Steven Shoptaw og Alex Bui fra UCLA; Dr. Michihiko Goto fra University of Iowa og Iowa City Medical Center, VA; Dr. Babak Aryanfar fra VA Greater Los Angeles Healthcare System; Sergio Vazquez fra Dartmouth College; og Dr. Adam Gordon fra University of Utah og VA Salt Lake City Health Care System. Goodman-Meza og Goetz har også aftaler på VA Greater Los Angeles Healthcare System.

DAGBOG

Undersøgelsen blev offentliggjort i tidsskriftet Open Forum Infectious Diseases.

FINANSIERING

Det amerikanske National Institute on Drug Abuse finansierede denne undersøgelse.

Kilde:

University of California, Los Angeles (UCLA), Sundhedsvidenskab

.