Verktyg för artificiell intelligens påskyndar processen att identifiera personer som injicerar droger

Verktyg för artificiell intelligens påskyndar processen att identifiera personer som injicerar droger

RESULTAT

En automatiserad process som kombinerar naturlig språkbehandling och maskininlärning identifierar personer som injicerar droger (PWID) i elektroniska journaler snabbare och mer exakt än nuvarande metoder som förlitar sig på manuella journalgranskningar.

BAKGRUND

För närvarande identifieras personer som injicerar droger med hjälp av ICD-koder (International Classification of Diseases) som tillhandahålls i patienternas elektroniska journaler av vårdgivare eller extraheras från dessa anteckningar av utbildade mänskliga kodare som granskar dem i faktureringssyfte. Det finns dock ingen specifik ICD-kod för intravenös droganvändning, så leverantörer och kodare måste förlita sig på en kombination av ospecifika koder som ombud för att identifiera PWID – ett långsamt tillvägagångssätt som kan leda till felaktigheter.

METOD

Forskare granskade manuellt 1 000 register från 2003 till 2014 av personer som togs in på Veterans Administration sjukhus med Staphylococcus aureus bakterimi, en vanlig infektion som uppstår när bakterierna kommer in i öppningar i huden, såsom injektionsställen. De utvecklade och tränade sedan algoritmer med hjälp av naturlig språkbehandling och maskininlärning och jämförde dem med 11 proxykombinationer av ICD-koder för att identifiera PWID.

Studiens begränsningar inkluderar potentiellt dålig dokumentation från leverantörer. Dessutom är datauppsättningen som används från 2003 till 2014, men injektionsmissbruksepidemin har sedan dess skiftat från receptbelagda opioider och heroin till syntetiska opioider som fentanyl, vilket algoritmen kan missa eftersom datauppsättningen den lärde sig klassificeringen på inte innehåller många exempel på detta läkemedel. Slutligen kan det hända att resultaten inte kan generaliseras till andra omständigheter eftersom de är helt baserade på Veterans Administration-data.

INVERKAN

Användningen av denna artificiella intelligensmodell påskyndar avsevärt processen att identifiera PWID, vilket kan förbättra kliniskt beslutsfattande, sjukvårdsforskning och administrativ övervakning.

KOMMENTAR

"Med hjälp av naturlig språkbehandling och maskininlärning kunde vi identifiera personer som injicerar droger i tusentals anteckningar inom några minuter, jämfört med de flera veckor som det skulle ta en manuell granskare", säger huvudförfattaren Dr. David Goodman-Meza, biträdande professor i medicin vid avdelningen för infektionssjukdomar vid David Geffen School of Medicine vid UCLA. "Detta skulle göra det möjligt för hälsosystemen att identifiera PWIDs för att bättre fördela resurser som sprutserviceprogram och droganvändning och mentalvårdsbehandling för människor som använder droger."

FÖRFATTARE

De andra forskarna i studien är Dr Amber Tang, Dr Matthew Bidwell Goetz, Steven Shoptaw och Alex Bui från UCLA; Dr. Michihiko Goto vid University of Iowa och Iowa City Medical Center, VA; Dr Babak Aryanfar från VA Greater Los Angeles Healthcare System; Sergio Vazquez från Dartmouth College; och Dr. Adam Gordon från University of Utah och VA Salt Lake City Health Care System. Goodman-Meza och Goetz har också möten på VA Greater Los Angeles Healthcare System.

DAGBOK

Studien publicerades i tidskriften Open Forum Infectious Diseases.

FINANSIERING

US National Institute on Drug Abuse finansierade denna studie.

Källa:

University of California, Los Angeles (UCLA), Health Sciences

.