Tekoälytyökalut nopeuttavat suonensisäisten huumeiden tunnistamista

Tekoälytyökalut nopeuttavat suonensisäisten huumeiden tunnistamista

TULOKSET

Automaattinen prosessi, jossa yhdistyvät luonnollisen kielen käsittely ja koneoppiminen, tunnistaa ihmiset, jotka käyttävät suonensisäisiä huumeita (PWID) sähköisistä terveyskertomuksista nopeammin ja tarkemmin kuin nykyiset menetelmät, jotka perustuvat manuaaliseen tietueiden tarkistamiseen.

TAUSTA

Tällä hetkellä suonensisäisiä huumeita käyttävät henkilöt tunnistetaan käyttämällä kansainvälisen tautiluokituksen (ICD) koodeja, jotka terveydenhuollon tarjoajat ovat antaneet potilaiden sähköisissä terveyskertomuksissa, tai koulutetut ihmiskoodaajat, jotka tarkistavat ne laskutusta varten, poimivat muistiinpanoista. Suonensisäiselle huumeiden käytölle ei kuitenkaan ole olemassa erityistä ICD-koodia, joten palveluntarjoajien ja koodaajien on käytettävä epäspesifisten koodien yhdistelmää välityspalvelimena PWID:iden tunnistamisessa – hidas lähestymistapa, joka voi johtaa epätarkkuuksiin.

MENETELMÄ

Tutkijat tarkastelivat manuaalisesti 1 000 tietuetta vuosilta 2003–2014 Veterans Administrationin sairaaloihin otetuista ihmisistä, joilla oli Staphylococcus aureus -bakteremia, yleinen infektio, joka ilmenee, kun bakteerit pääsevät ihon aukkoihin, kuten pistoskohtiin. Sitten he kehittivät ja kouluttivat algoritmeja käyttämällä luonnollisen kielen prosessointia ja koneoppimista ja vertasivat niitä 11 ICD-koodien välityspalvelinyhdistelmään tunnistaakseen PWID:t.

Tutkimuksen rajoituksiin kuuluu palveluntarjoajien mahdollisesti huono dokumentointi. Lisäksi käytetty tietoaineisto on vuosilta 2003–2014, mutta ruiskuhuumeiden käyttöepidemia on sittemmin siirtynyt reseptiopioideista ja heroiinista synteettisiin opioideihin, kuten fentanyyliin, mikä algoritmilta saattaa jäädä huomaamatta, koska aineisto, jonka perusteella se oppi luokituksen, ei sisällä monia esimerkkejä tästä lääkkeestä. Lopuksi tulokset eivät välttämättä ole yleistettävissä muihin olosuhteisiin, koska ne perustuvat täysin Veterans Administrationin tietoihin.

VAIKUTUS

Tämän tekoälymallin käyttö nopeuttaa merkittävästi PWID:iden tunnistamisprosessia, mikä voisi parantaa kliinistä päätöksentekoa, terveydenhuollon tutkimusta ja hallinnollista seurantaa.

KOMMENTTI

"Käyttämällä luonnollista kielenkäsittelyä ja koneoppimista pystyimme tunnistamaan ihmiset, jotka pistävät huumeita tuhansissa muistiinpanoissa muutamassa minuutissa, verrattuna useiden viikkojen manuaaliseen tarkistamiseen", sanoo johtava kirjoittaja tohtori David Goodman-Meza, lääketieteen apulaisprofessori David Geffenin lääketieteellisen korkeakoulun infektiotautiosastosta UCLA:ssa. "Tämän avulla terveydenhuoltojärjestelmät voisivat tunnistaa PWID:t ja kohdentaa paremmin resursseja, kuten ruiskupalveluohjelmia sekä päihteiden käyttöä ja mielenterveyshoitoa huumeita käyttäville ihmisille."

TEKIJÄT

Muita tutkimuksen tutkijoita ovat tohtori Amber Tang, tohtori Matthew Bidwell Goetz, Steven Shoptaw ja Alex Bui UCLA:sta; Dr. Michihiko Goto Iowan yliopistosta ja Iowa City Medical Centeristä, VA; Dr. Babak Aryanfar VA Greater Los Angeles Healthcare Systemistä; Sergio Vazquez Dartmouth Collegesta; ja tohtori Adam Gordon Utahin yliopistosta ja VA Salt Lake Cityn terveydenhuoltojärjestelmästä. Goodman-Mezalla ja Goetzilla on myös tapaamisia VA Greater Los Angeles Healthcare Systemissä.

PÄIVÄKIRJA

Tutkimus julkaistiin Open Forum Infectious Diseases -lehdessä.

RAHOITUS

Yhdysvaltain kansallinen huumeiden väärinkäytön instituutti rahoitti tämän tutkimuksen.

Lähde:

Kalifornian yliopisto, Los Angeles (UCLA), terveystieteet

.