Hulpmiddelen voor kunstmatige intelligentie versnellen het proces van het identificeren van mensen die drugs injecteren

Hulpmiddelen voor kunstmatige intelligentie versnellen het proces van het identificeren van mensen die drugs injecteren

RESULTATEN

Een geautomatiseerd proces dat natuurlijke taalverwerking en machinaal leren combineert, identificeert mensen die drugs injecteren (PWID) in elektronische medische dossiers sneller en nauwkeuriger dan de huidige methoden die afhankelijk zijn van handmatige dossierbeoordelingen.

ACHTERGROND

Momenteel worden mensen die drugs injecteren geïdentificeerd met behulp van ICD-codes (International Classification of Diseases) die door zorgverleners in de elektronische medische dossiers van patiënten worden verstrekt of uit deze aantekeningen worden gehaald door getrainde menselijke codeerders die ze beoordelen voor factureringsdoeleinden. Er bestaat echter geen specifieke ICD-code voor intraveneus drugsgebruik, dus aanbieders en codeerders moeten vertrouwen op een combinatie van niet-specifieke codes als proxy's om PWID's te identificeren - een langzame aanpak die tot onnauwkeurigheden kan leiden.

METHODE

Onderzoekers hebben tussen 2003 en 2014 handmatig 1.000 gegevens beoordeeld van mensen die in ziekenhuizen van de Veterans Administration waren opgenomen met Staphylococcus aureus bacteriëmie, een veel voorkomende infectie die optreedt wanneer de bacteriën openingen in de huid binnendringen, zoals injectieplaatsen. Vervolgens ontwikkelden en trainden ze algoritmen met behulp van natuurlijke taalverwerking en machinaal leren en vergeleken deze met 11 proxycombinaties van ICD-codes om PWID's te identificeren.

Beperkingen van het onderzoek omvatten mogelijk slechte documentatie door aanbieders. Bovendien is de gebruikte dataset van 2003 tot 2014, maar de epidemie van injectiedrugsgebruik is sindsdien verschoven van opioïden op recept en heroïne naar synthetische opioïden zoals fentanyl, die het algoritme mogelijk over het hoofd ziet omdat de dataset waarop het de classificatie heeft geleerd, niet veel voorbeelden van dit medicijn bevat. Ten slotte zijn de resultaten mogelijk niet generaliseerbaar naar andere omstandigheden, omdat ze volledig gebaseerd zijn op gegevens van de Veterans Administration.

INVLOED

Het gebruik van dit kunstmatige-intelligentiemodel versnelt het proces van het identificeren van PWID's aanzienlijk, wat de klinische besluitvorming, het gezondheidszorgonderzoek en de administratieve monitoring zou kunnen verbeteren.

OPMERKING

"Met behulp van natuurlijke taalverwerking en machinaal leren konden we binnen enkele minuten mensen identificeren die medicijnen injecteerden in duizenden aantekeningen, vergeleken met de enkele weken die een handmatige recensent nodig zou hebben", zegt hoofdauteur Dr. David Goodman-Meza, assistent-professor geneeskunde bij de afdeling Infectieziekten aan de David Geffen School of Medicine aan de UCLA. “Hierdoor zouden gezondheidszorgsystemen PWID’s kunnen identificeren om middelen zoals spuitenserviceprogramma’s en middelengebruik en geestelijke gezondheidszorg voor mensen die drugs gebruiken beter toe te wijzen.”

AUTEURS

De andere onderzoekers aan het onderzoek zijn Dr. Amber Tang, Dr. Matthew Bidwell Goetz, Steven Shoptaw en Alex Bui van UCLA; Dr. Michihiko Goto van de Universiteit van Iowa en Iowa City Medical Center, VA; Dr. Babak Aryanfar van het VA Greater Los Angeles Healthcare System; Sergio Vazquez van Dartmouth College; en Dr. Adam Gordon van de Universiteit van Utah en het VA Salt Lake City Health Care System. Goodman-Meza en Goetz hebben ook afspraken bij het VA Greater Los Angeles Healthcare System.

DAGBOEK

De studie werd gepubliceerd in het tijdschrift Open Forum Infectious Diseases.

FINANCIERING

Het Amerikaanse National Institute on Drug Abuse financierde dit onderzoek.

Bron:

Universiteit van Californië, Los Angeles (UCLA), Gezondheidswetenschappen

.