Device / Technology NewsHealthcare NewsNews

Tools der künstlichen Intelligenz beschleunigen den Prozess der Identifizierung von Personen, die Drogen injizieren

ERGEBNISSE

Ein automatisierter Prozess, der die Verarbeitung natürlicher Sprache und maschinelles Lernen kombiniert, identifiziert Personen, die Drogen injizieren (PWID), in elektronischen Gesundheitsakten schneller und genauer als aktuelle Methoden, die auf manuellen Aktenüberprüfungen beruhen.

HINTERGRUND

Derzeit werden Personen, die Drogen injizieren, anhand von Codes der Internationalen Klassifikation von Krankheiten (ICD) identifiziert, die in den elektronischen Gesundheitsakten der Patienten von den Gesundheitsdienstleistern angegeben oder von geschulten menschlichen Kodierern, die sie zu Abrechnungszwecken überprüfen, aus diesen Notizen extrahiert werden. Es gibt jedoch keinen spezifischen ICD-Code für den intravenösen Drogenkonsum, sodass Anbieter und Kodierer sich auf eine Kombination unspezifischer Codes als Proxys verlassen müssen, um PWIDs zu identifizieren – ein langsamer Ansatz, der zu Ungenauigkeiten führen kann.

METHODE

Die Forscher überprüften manuell 1.000 Aufzeichnungen von 2003 bis 2014 von Personen, die in Krankenhäuser der Veterans Administration mit Staphylococcus aureus-Bakteriämie eingeliefert wurden, einer häufigen Infektion, die entsteht, wenn die Bakterien in Öffnungen in der Haut eindringen, beispielsweise an Injektionsstellen. Anschließend entwickelten und trainierten sie Algorithmen unter Verwendung natürlicher Sprachverarbeitung und maschinellen Lernens und verglichen sie mit 11 Proxy-Kombinationen von ICD-Codes, um PWIDs zu identifizieren.

Zu den Einschränkungen der Studie gehört eine potenziell schlechte Dokumentation durch die Anbieter. Außerdem stammt der verwendete Datensatz aus den Jahren 2003 bis 2014, aber die Epidemie des intravenösen Drogenkonsums hat sich seitdem von verschreibungspflichtigen Opioiden und Heroin zu synthetischen Opioiden wie Fentanyl verlagert, die der Algorithmus möglicherweise übersieht, da der Datensatz, in dem er die Klassifizierung gelernt hat, nicht viele Beispiele enthält diese Droge. Schließlich sind die Ergebnisse möglicherweise nicht auf andere Umstände übertragbar, da sie vollständig auf Daten der Veteranenverwaltung beruhen.

Siehe auch  Was ist der Zusammenhang zwischen COVID-19 und Typ-1-Diabetes?

EINSCHLAG

Die Verwendung dieses Modells der künstlichen Intelligenz beschleunigt den Prozess der Identifizierung von PWIDs erheblich, was die klinische Entscheidungsfindung, die Forschung im Gesundheitswesen und die administrative Überwachung verbessern könnte.

KOMMENTAR

„Durch die Verwendung natürlicher Sprachverarbeitung und maschinellen Lernens konnten wir Personen, die Drogen injizieren, in Tausenden von Notizen innerhalb von Minuten identifizieren, im Vergleich zu mehreren Wochen, die ein manueller Prüfer dafür benötigen würde“, sagte Hauptautor Dr. David Goodman- Meza, Assistenzprofessor für Medizin in der Abteilung für Infektionskrankheiten an der David Geffen School of Medicine an der UCLA. „Dies würde es den Gesundheitssystemen ermöglichen, PWIDs zu identifizieren, um Ressourcen wie Spritzenserviceprogramme und Drogenkonsum und psychische Gesundheitsbehandlung für Menschen, die Drogen konsumieren, besser zuzuweisen.“

AUTOREN

Die anderen Forscher der Studie sind Dr. Amber Tang, Dr. Matthew Bidwell Goetz, Steven Shoptaw und Alex Bui von der UCLA; Dr. Michihiko Goto von der University of Iowa und dem medizinischen Zentrum von Iowa City, VA; Dr. Babak Aryanfar vom VA Greater Los Angeles Healthcare System; Sergio Vazquez vom Dartmouth College; und Dr. Adam Gordon von der University of Utah und dem VA Salt Lake City Health Care System. Goodman-Meza und Goetz haben auch Termine beim VA Greater Los Angeles Healthcare System.

TAGEBUCH

Die Studie wurde in der Fachzeitschrift Open Forum Infectious Diseases veröffentlicht.

FINANZIERUNG

Das US National Institute on Drug Abuse finanzierte diese Studie.

Quelle:

University of California, Los Angeles (UCLA), Gesundheitswissenschaften

.

Ähnliche Artikel

Schaltfläche "Zurück zum Anfang"

Adblocker erkannt

Bitte schalten Sie den Adblocker aus. Wir finanzieren mit unaufdringlichen Bannern unsere Arbeit, damit Sie kostenlose Bildung erhalten.