Alati umjetne inteligencije ubrzavaju proces identifikacije osoba koje injektiraju droge

Alati umjetne inteligencije ubrzavaju proces identifikacije osoba koje injektiraju droge

REZULTATI

Automatizirani proces koji kombinira obradu prirodnog jezika i strojno učenje identificira osobe koje injektiraju droge (PWID) u elektroničkim zdravstvenim kartonima brže i točnije od trenutnih metoda koje se oslanjaju na ručne preglede kartona.

POZADINA

Trenutno se osobe koje injektiraju droge identificiraju pomoću kodova Međunarodne klasifikacije bolesti (ICD) koje pružatelji zdravstvenih usluga pružaju u elektroničkim zdravstvenim kartonima pacijenata ili koje iz tih bilješki izdvajaju obučeni ljudski koderi koji ih pregledavaju u svrhu naplate. Međutim, ne postoji specifičan ICD kod za intravenoznu upotrebu droga, tako da se davatelji i koderi moraju osloniti na kombinaciju nespecifičnih kodova kao zamjenu za identifikaciju PWID-a – spor pristup koji može dovesti do netočnosti.

METODA

Istraživači su ručno pregledali 1000 zapisa od 2003. do 2014. o ljudima koji su primljeni u bolnice Veterans Administration s bakterijemijom Staphylococcus aureus, uobičajenom infekcijom koja se javlja kada bakterija uđe u otvore na koži, kao što su mjesta ubrizgavanja. Zatim su razvili i uvježbali algoritme koristeći obradu prirodnog jezika i strojno učenje te ih usporedili s 11 proxy kombinacija ICD kodova za identifikaciju PWID-ova.

Ograničenja studije uključuju potencijalno lošu dokumentaciju pružatelja usluga. Osim toga, korišteni skup podataka odnosi se na razdoblje od 2003. do 2014., no epidemija intravenske uporabe droga od tada se pomaknula s opioida na recept i heroina na sintetičke opioide kao što je fentanil, što bi algoritam mogao propustiti jer skup podataka na kojem je naučio klasifikaciju ne sadrži mnogo primjera ove droge. Konačno, rezultati se možda ne mogu generalizirati na druge okolnosti jer se u potpunosti temelje na podacima Uprave za branitelje.

UTJECAJ

Korištenje ovog modela umjetne inteligencije značajno ubrzava proces identifikacije PWID-a, što bi moglo poboljšati donošenje kliničkih odluka, zdravstvena istraživanja i administrativni nadzor.

KOMENTAR

"Koristeći obradu prirodnog jezika i strojno učenje, uspjeli smo identificirati ljude koji injektiraju droge u tisućama bilješki u roku od nekoliko minuta, u usporedbi s nekoliko tjedana koji bi bili potrebni ručnom recenzentu", rekao je glavni autor dr. David Goodman-Meza, asistent profesora medicine na Odjelu za zarazne bolesti na Medicinskom fakultetu David Geffen na UCLA. "To bi omogućilo zdravstvenim sustavima da identificiraju PWID-ove kako bi bolje raspodijelili resurse kao što su programi servisiranja štrcaljki i korištenje supstanci i liječenje mentalnog zdravlja za ljude koji koriste droge."

AUTORI

Ostali istraživači u studiji su dr. Amber Tang, dr. Matthew Bidwell Goetz, Steven Shoptaw i Alex Bui s UCLA; dr. Michihiko Goto sa Sveučilišta Iowa i medicinskog centra Iowa City, VA; dr. Babak Aryanfar iz VA Greater Los Angeles Healthcare System; Sergio Vazquez s Dartmouth Collegea; i dr. Adam Gordon sa Sveučilišta Utah i VA Salt Lake City Health Care System. Goodman-Meza i Goetz također imaju termine u VA Greater Los Angeles Healthcare System.

DNEVNIK

Studija je objavljena u časopisu Open Forum Infectious Diseases.

FINANCIRANJE

Američki nacionalni institut za zlouporabu droga financirao je ovu studiju.

Izvor:

Kalifornijsko sveučilište, Los Angeles (UCLA), zdravstvene znanosti

.