A mesterséges intelligencia eszközök felgyorsítják az intravénás kábítószer-használók azonosításának folyamatát

A mesterséges intelligencia eszközök felgyorsítják az intravénás kábítószer-használók azonosításának folyamatát

EREDMÉNYEK

A természetes nyelvi feldolgozást és a gépi tanulást ötvöző automatizált folyamat gyorsabban és pontosabban azonosítja az intravénás kábítószereket (PWID) használó személyeket az elektronikus egészségügyi nyilvántartásokban, mint a jelenlegi, kézi nyilvántartás-ellenőrzésen alapuló módszerek.

HÁTTÉR

Jelenleg az intravénás kábítószer-használókat a Betegségek Nemzetközi Osztályozása (ICD) kódjai alapján azonosítják, amelyeket az egészségügyi szolgáltatók biztosítanak a betegek elektronikus egészségügyi nyilvántartásában, vagy ezeket a feljegyzésekből képzett humán kódolók vonják ki, akik számlázási célból áttekintik azokat. Az intravénás kábítószer-használathoz azonban nincs specifikus ICD-kód, ezért a szolgáltatóknak és a kódolóknak nem specifikus kódok kombinációjára kell támaszkodniuk a PWID-k azonosításához – ez a lassú megközelítés, amely pontatlanságokhoz vezethet.

MÓDSZER

A kutatók 2003 és 2014 között 1000, a Veterans Administration kórházaiba felvett, Staphylococcus aureus bakteremiában szenvedő emberről készült feljegyzést vizsgáltak át manuálisan. Ezután természetes nyelvi feldolgozást és gépi tanulást használó algoritmusokat fejlesztettek ki és képeztek ki, és összehasonlították azokat 11 ICD-kód proxy-kombinációjával a PWID-k azonosítása érdekében.

A tanulmány korlátai közé tartozik a szolgáltatók esetlegesen rossz dokumentációja. Ezenkívül a felhasznált adatkészlet 2003-tól 2014-ig terjed, de az injekciós kábítószer-használati járvány azóta a vényköteles opioidokról és a heroinról a szintetikus opioidokra, például a fentanilra mozdult el, ami az algoritmusból hiányozhat, mert az adatkészlet, amelyből az osztályozást megtanulta, nem sok példát tartalmaz erre a szerre. Végül, az eredmények nem általánosíthatók más körülményekre, mert teljes mértékben a Veterans Administration adatain alapulnak.

HATÁS

Ennek a mesterséges intelligencia-modellnek a használata jelentősen felgyorsítja a PWID-ek azonosításának folyamatát, ami javíthatja a klinikai döntéshozatalt, az egészségügyi kutatást és az adminisztratív ellenőrzést.

MEGJEGYZÉS

"A természetes nyelvi feldolgozás és a gépi tanulás segítségével percek alatt tudtuk azonosítani azokat az embereket, akik több ezer jegyzetben injektálják be a kábítószert, szemben a több héttel, amihez manuális felülvizsgálóra lenne szükség" - mondta Dr. David Goodman-Meza, a vezető szerző, a UCLA David Geffen Orvostudományi Karának fertőző betegségek osztályának adjunktusa. "Ez lehetővé tenné az egészségügyi rendszerek számára, hogy azonosítsák a PWID-ket, hogy jobban eloszthassák az erőforrásokat, például a fecskendős szolgáltatási programokat, valamint a szerhasználatot és a kábítószer-használók mentális egészségügyi kezelését."

SZERZŐI

A tanulmány további kutatói Dr. Amber Tang, Dr. Matthew Bidwell Goetz, Steven Shoptaw és Alex Bui, az UCLA-tól; Dr. Michihiko Goto, az Iowai Egyetem és az Iowa City Medical Center, VA; Dr. Babak Aryanfar, a VA Greater Los Angeles Healthcare System munkatársa; Sergio Vazquez, a Dartmouth College-ból; és Dr. Adam Gordon, a Utah Egyetem és a VA Salt Lake City Egészségügyi Ellátórendszer munkatársa. Goodman-Meza és Goetz a VA Greater Los Angeles Healthcare System-nél is találkozott.

NAPLÓ

A tanulmány az Open Forum Infectious Diseases folyóiratban jelent meg.

FINANSZÍROZÁS

Az Egyesült Államok Nemzeti Kábítószer-visszaélési Intézete finanszírozta ezt a tanulmányt.

Forrás:

Kaliforniai Egyetem, Los Angeles (UCLA), Egészségtudományok

.