Τα εργαλεία τεχνητής νοημοσύνης επιταχύνουν τη διαδικασία εντοπισμού ατόμων που κάνουν ενέσιμα ναρκωτικά

Τα εργαλεία τεχνητής νοημοσύνης επιταχύνουν τη διαδικασία εντοπισμού ατόμων που κάνουν ενέσιμα ναρκωτικά

ΑΠΟΤΕΛΕΣΜΑΤΑ

Μια αυτοματοποιημένη διαδικασία που συνδυάζει την επεξεργασία φυσικής γλώσσας και τη μηχανική εκμάθηση εντοπίζει άτομα που ενέσιμα ναρκωτικά (PWID) στα ηλεκτρονικά αρχεία υγείας γρηγορότερα και με μεγαλύτερη ακρίβεια από τις τρέχουσες μεθόδους που βασίζονται σε μη αυτόματες αναθεωρήσεις αρχείων.

ΦΟΝΤΟ

Επί του παρόντος, τα άτομα που κάνουν ενέσιμα ναρκωτικά αναγνωρίζονται χρησιμοποιώντας κωδικούς Διεθνούς Ταξινόμησης Νοσημάτων (ICD) που παρέχονται στα ηλεκτρονικά αρχεία υγείας των ασθενών από παρόχους υγειονομικής περίθαλψης ή εξάγονται από αυτές τις σημειώσεις από εκπαιδευμένους ανθρώπινους κωδικοποιητές που τους εξετάζουν για λόγους χρέωσης. Ωστόσο, δεν υπάρχει συγκεκριμένος κωδικός ICD για ενδοφλέβια χρήση ναρκωτικών, επομένως οι πάροχοι και οι κωδικοποιητές πρέπει να βασίζονται σε έναν συνδυασμό μη ειδικών κωδικών ως πληρεξούσιων για τον εντοπισμό των PWID - μια αργή προσέγγιση που μπορεί να οδηγήσει σε ανακρίβειες.

ΜΕΘΟΔΟΣ

Οι ερευνητές εξέτασαν χειροκίνητα 1.000 αρχεία από το 2003 έως το 2014 ατόμων που εισήχθησαν σε νοσοκομεία της διοίκησης βετεράνων με βακτηριαιμία Staphylococcus aureus, μια κοινή λοίμωξη που εμφανίζεται όταν τα βακτήρια εισέρχονται σε ανοίγματα στο δέρμα, όπως σημεία ένεσης. Στη συνέχεια ανέπτυξαν και εκπαίδευσαν αλγόριθμους χρησιμοποιώντας επεξεργασία φυσικής γλώσσας και μηχανική εκμάθηση και τους συνέκριναν με 11 συνδυασμούς μεσολάβησης κωδικών ICD για τον εντοπισμό των PWID.

Οι περιορισμοί της μελέτης περιλαμβάνουν δυνητικά κακή τεκμηρίωση από τους παρόχους. Επιπλέον, το σύνολο δεδομένων που χρησιμοποιήθηκε είναι από το 2003 έως το 2014, αλλά η επιδημία χρήσης ενέσιμων ναρκωτικών έχει μετατοπιστεί από τα συνταγογραφούμενα οπιοειδή και η ηρωίνη σε συνθετικά οπιοειδή όπως η φαιντανύλη, τα οποία ο αλγόριθμος μπορεί να παραλείψει επειδή το σύνολο δεδομένων στο οποίο έμαθε την ταξινόμηση δεν περιέχει πολλά παραδείγματα αυτού του φαρμάκου. Τέλος, τα αποτελέσματα ενδέχεται να μην μπορούν να γενικευτούν σε άλλες περιστάσεις, επειδή βασίζονται εξ ολοκλήρου σε δεδομένα της Διοίκησης Βετεράνων.

ΣΥΓΚΡΟΥΣΗ

Η χρήση αυτού του μοντέλου τεχνητής νοημοσύνης επιταχύνει σημαντικά τη διαδικασία εντοπισμού των PWID, γεγονός που θα μπορούσε να βελτιώσει τη λήψη κλινικών αποφάσεων, την έρευνα στον τομέα της υγειονομικής περίθαλψης και τη διοικητική παρακολούθηση.

ΣΧΟΛΙΟ

«Χρησιμοποιώντας την επεξεργασία φυσικής γλώσσας και τη μηχανική εκμάθηση, μπορέσαμε να εντοπίσουμε ανθρώπους που κάνουν ένεση ναρκωτικών σε χιλιάδες σημειώσεις μέσα σε λίγα λεπτά, σε σύγκριση με τις αρκετές εβδομάδες που θα χρειαζόταν ένας χειροκίνητος αναθεωρητής», δήλωσε ο επικεφαλής συγγραφέας Δρ. David Goodman-Meza, επίκουρος καθηγητής ιατρικής στο Τμήμα Λοιμωδών Νοσημάτων στο David Geffen School of Medicine στο UCLA. «Αυτό θα επιτρέψει στα συστήματα υγείας να εντοπίζουν τα PWID για να κατανέμουν καλύτερα πόρους, όπως προγράμματα υπηρεσιών σύριγγας και χρήση ουσιών και θεραπεία ψυχικής υγείας για άτομα που κάνουν χρήση ναρκωτικών».

ΣΥΓΓΡΑΦΕΙΣ

Οι άλλοι ερευνητές στη μελέτη είναι ο Δρ. Amber Tang, ο Dr. Matthew Bidwell Goetz, ο Steven Shoptaw και ο Alex Bui του UCLA. Ο Δρ. Michihiko Goto του University of Iowa and Iowa City Medical Center, VA. Ο Δρ. Babak Aryanfar του VA Greater Los Angeles Healthcare System. Sergio Vazquez του Dartmouth College. και ο Δρ. Adam Gordon του Πανεπιστημίου της Γιούτα και του VA Salt Lake City Health Care System. Ο Goodman-Meza και ο Goetz έχουν επίσης ραντεβού στο VA Greater Los Angeles Healthcare System.

ΗΜΕΡΟΛΟΓΙΟ

Η μελέτη δημοσιεύτηκε στο περιοδικό Open Forum Infectious Diseases.

ΧΡΗΜΑΤΟΔΟΤΗΣΗ

Το Εθνικό Ινστιτούτο των ΗΠΑ για την Κατάχρηση Ναρκωτικών χρηματοδότησε αυτή τη μελέτη.

Πηγή:

Πανεπιστήμιο της Καλιφόρνια, Λος Άντζελες (UCLA), Επιστήμες Υγείας

.