深度神经网络展示了基于临床笔记预测未来自我伤害的承诺

According to the American Foundation for Suicide Prevention, suicide is the 10th leading cause of death in the U.S., with over 1.4 million suicide attempts recorded in 2018. Although effective treatments are available for those at risk, clinicians do not have a reliable way of predicting which patients are likely to make a suicide attempt.

南卡罗来纳州医科大学和南佛罗里达大学的研究人员JMIR医疗信息学通过创建一种人工智能算法，他们已经采取了重要的步骤来解决问题，这些智能算法可以根据电子健康记录中的临床笔记中的信息自动识别有意自我危害的高风险。

The study was led by Jihad Obeid, M.D., co-director of the MUSC Biomedical Informatics Center, and Brian Bunnell, Ph.D., formerly at MUSC and currently an assistant professor in the Department of Psychiatry and Behavioral Neurosciences at the University of South Florida.

团队使用复杂人工神经网络，一种人工智能形式也被称为深度学习，分析电子健康记录中的非结构化，文本数据。深度学习方法逐步使用人工网络层，从原始输入数据中提取更高的信息。该团队表明，曾经培训的这些模型可以识别有故意自我伤害的风险的患者。

“这种工作很重要，因为它利用最新技术解决了自杀等重要问题，并确定了风险的患者，以便他们可以提及适当的管理，”Obeid说。

到目前为止，研究人员主要依赖于电子健康记录中的结构化数据，以识别和预测风险的患者。结构化数据是指已作为临床护理的一部分输入电子健康记录中的指定领域的列表信息。例如，当医师诊断患者并分配国际疾病分类（ICD）代码时，他们正在创建结构化数据。这种制表的，结构化数据很容易进行计算机程序来分析。

但是，电子健康记录中的80％至90％的相关信息以文本格式陷入困境。换句话说，电子健康记录中的临床票据，进度报告，护理计划和其他叙述文本代表了巨大的研究资源。Obeid的学习是独一无二的，因为它使用深神经网络在电子健康记录中“阅读”临床笔记，并识别和预测有自我危害风险的患者。

在监管道德审查和批准MUSC的机构审查委员会审批后，Obeid通过识别与ICD代码相关的患者记录，这表明在MOSC的研究数据仓库中有意自我危害。该仓库是由南卡罗来纳州临床和翻译研究院的支持，提供了Musc研究人员访问患者电子健康记录数据，只要他们获得了必要的权限。

为了模拟真实世界的情景，奥贝内德和他的团队将临床记录分为两次分类：2012年至2017年记录用于培训模型和2018-2019记录，用于测试训练有素的型号。首先，他们看着在医院访问期间拍摄的临床票据，其中分配了ICD代码。使用作为培训数据集，模型“学习”患者电子医疗记录的临床记录中的语言模式与分配有意自我伤害的ICD守则有关。一旦培训模型，他们可以完全识别这些患者，完全基于他们对临床笔记中文本的分析，精度为98.5％。专家手动审查了一个记录的子集，以确认模型的准确性。

接下来，该团队测试了最准确的模型是否可以在电子健康记录中使用临床笔记来预测未来的自我危害。为此，Obeid的团队确定了在故意自我伤害医院访问之前六个月到一个月的临床笔记，曾经有意自我伤害的患者的记录，并在六个月至一个月内使用他们的临床票据培训。然后，他们测试训练有素的模型是否可以正确预测这些患者是否稍后存在有意的自我危害。

仅基于临床票据预测未来的自我伤害被证明比识别目前的风险患者，由于额外的“噪音”，当模型中包含大量的患者历史时，额外的“噪音”。历史临床票据往往不变，并不总是相关。例如，如果在他或她的医院访问故意自我伤害之前六个月看到患者的抑郁或其他心理健康问题，那么临床笔记可能包括相关信息。但是，如果患者进入与心理健康无关的条件，那么笔记的可能性不太可能包括相关信息。

虽然包含不相关的信息在数据分析中引入了大量噪声，但必须在模型中的患者中包含所有这些信息以预测结果。因此，该模型在预测后者稍后将出于故意自我伤害的患者比简单地分类当前患者进行自杀风险。尽管如此，该模型的预测准确性非常竞争，先前报道了依赖于结构数据的模型，达到近80％的精度，具有相对高的灵敏度和精度。

Obeid的团队表明了使用深度学习模型的可行性，以识别基于单独临床票据的有意自残风险的患者。该研究还表明，模型可用于预测，具有相当良好的保真度，患者将来会在未来出现在他们的电子临床笔记上的故意自我危害健康记录。

这些早期的结果是有前途的，并且可能对临床水平产生大的影响。如果深度学习模型可用于预测哪个患者在哪个患者处于自杀的高风险临床笔记然后，临床医生可以提前提前提及高危患者进行适当的治疗方法。使用这些模型将患者分类为自我危害，也可以促进患有与自杀相关的临床研究和试验的临床研究和试验。

在未来的研究中，ObeID旨在评估他的模型的预测时间窗口的变化，例如，在患者呈现出于故意自我伤害而不是六个月之前看一年的记录。该团队还打算审查自杀或自杀素质等其他结果。虽然模特在Musc工作良好，但奥贝内德现在必须表明他们可以推广到其他机构。

“模型可以在一个位置培训并转移到另一个位置并仍然工作吗？”奥贝里德问道。“如果答案是肯定的，那么这会节省关键资源，因为其他机构不必执行昂贵且耗时的手动图表审查，以确认型号在培训期间就正确达到它。”

---

---