人工智能工具加快识别注射毒品者的过程

人工智能工具加快识别注射毒品者的过程

结果

与当前依赖手动记录审核的方法相比，结合自然语言处理和机器学习的自动化流程可以更快、更准确地识别电子健康记录中的注射吸毒者 (PWID)。

背景

目前，注射吸毒者使用医疗保健提供者在患者电子健康记录中提供的国际疾病分类 (ICD) 代码进行识别，或者由训练有素的编码人员从这些记录中提取代码，并出于计费目的对其进行审查。 然而，静脉吸毒没有特定的 ICD 代码，因此提供者和编码员必须依靠非特定代码的组合作为代理来识别吸毒者，这是一种缓慢的方法，可能会导致不准确。

方法

研究人员手动审查了 2003 年至 2014 年退伍军人管理局医院收治的 1000 份金黄色葡萄球菌菌血症患者的记录，这是一种常见的感染，当细菌进入皮肤开口（例如注射部位）时就会发生。 然后，他们使用自然语言处理和机器学习开发和训练算法，并将其与 ICD 代码的 11 种代理组合进行比较，以识别吸毒者。

该研究的局限性包括提供者的记录可能较差。 此外，使用的数据集是从 2003 年到 2014 年，但注射毒品使用流行病已从处方阿片类药物和海洛因转向合成阿片类药物（如芬太尼），算法可能会漏掉这些药物，因为它学习分类的数据集不包含这种药物的许多示例。 最后，结果可能无法推广到其他情况，因为它们完全基于退伍军人管理局的数据。

影响

这种人工智能模型的使用显着加快了识别吸毒者的过程，这可以改善临床决策、医疗保健研究和行政监控。

评论

“利用自然语言处理和机器学习，我们能够在几分钟内识别出数千条注射毒品的人，而人工审核则需要几周的时间，”主要作者、加州大学洛杉矶分校大卫格芬医学院传染病系医学助理教授大卫·古德曼-梅萨博士说。 “这将使卫生系统能够识别吸毒者，以便更好地分配资源，例如注射器服务计划以及对吸毒者的药物使用和心理健康治疗。”

作者

参与这项研究的其他研究人员包括加州大学洛杉矶分校的 Amber Tang 博士、Matthew Bidwell Goetz 博士、Steven Shoptaw 和 Alex Bui； 爱荷华大学和弗吉尼亚州爱荷华市医疗中心的 Michihiko Goto 博士； VA 大洛杉矶医疗系统的 Babak Aryanfar 博士； 达特茅斯学院的塞尔吉奥·巴斯克斯（Sergio Vazquez）； 以及犹他大学和 VA 盐湖城医疗保健系统的 Adam Gordon 博士。 古德曼-梅萨和戈茨还在 VA 大洛杉矶医疗系统有任命。

日记

该研究发表在《开放论坛传染病》杂志上。

融资

美国国家药物滥用研究所资助了这项研究。

来源：

加州大学洛杉矶分校 (UCLA)，健康科学

。