“轻推”技术与机器学习相结合，使癌症患者之间的高级护理对话增加了三倍

通过使用机器学习方法触发临床医生的电子向临床触发，这些算法将癌症的患者旗下，患者最有利于终生目标的谈话 - 根据新的前瞻性，随机研究的讨论的速度增长了两倍。近15,000名来自宾夕法尼亚州医学患者，今天发表了JAMA肿瘤学。

早期和频繁的对话耐心患有严重疾病，特别是癌症，已经被证明可以提高满意度、生活质量和与他们的价值观和目标一致的护理。然而，今天许多人没有机会与医生或亲人进行这些讨论，因为他们的疾病已经发展得太严重，他们病得太厉害。

“在癌症内外，这是一系列机器学习算法的第一个实时应用之一，其中促使实际上有助于影响临床医生以及时地发起这些讨论，在不幸的可能发生之前，”领导作者Ravi B.Parikh，MD，宾夕法尼亚大学佩尔布曼医学院医学伦理和健康政策和医学助理教授，迈克尔J.Crescenz VA Medical Centre公司的员工医师。“这不仅仅是高危患者。它几乎使未被标记的病人的谈话数量翻了一番——这告诉我们，开展更多这样的谈话正在整个诊所引发一种积极的文化变化。”

Dana Farber癌症研究所的医学博士Christopher Manz在研究期间是宾夕法尼亚癌症护理创新中心的研究员，他是共同的主要作者。

在另一期JAMA肿瘤学9月份出版，研究团队验证了宾布尼医学发达的机器学习工具的有效性，在实时使用时预测患者的短期死亡率临床数据电子健康记录(EHR)。该算法考虑了超过500个变量，从患者记录一直到他们的预约，包括年龄、住院和共病等。这是使用电子病历的优势之一，它能及时识别出可能受益的患者谈话。它是实时的，而不是使用索赔或其他类型的历史数据来进行预测。

这种最新试验将该算法与行为轻推，包括临床团队的文本，电子邮件或通知，以确定其对患者识别患者的能力，并及时迅速对话。该研究 - 其中包括宾夕法尼亚州卫生系统大学九州肿瘤诊所的14,607名患者和78名医生 - 于2019年6月至2019年11月在2019年至11月期间进行。

在高预测死亡风险的患者中，干预组的1999例患者中304例(15.2%)发生了谈话，而对照组的2125例患者中有77例(3.6%)发生了谈话。即使患者没有被标记为高风险，试验中的临床医生也会更多地参与这些对话。在所有与病人的接触中，对照组的12170次接触中有155次(1.3%)涉及严重疾病的谈话，而干预组的13889次接触中有632次(4.6%)涉及严重疾病的谈话。

“我们采用了一种算法，从回顾性验证到即时的在诊所实际测试它以查看它是否可以塑造病人护理帕里克说，他也是宾夕法尼亚大学癌症护理创新中心的一员。“因为它的成功，我认为我们已经为其他可能考虑使用分析来驱动重要行为的机构提供了一个路线图。”

机器学习工具继续在Penn医学肿瘤诊所中使用，并进一步证明了在Covid-19流行病中的价值。审判结束后，严重疾病谈话的率持续很高，尽管许多在2020年在线进行了在线进行了许多谈话，当时通过远程医疗必须发生许多临床访问，以确保患者安全。

“这是临床护理中与机器学习方法梳理行为轨道的第一次应用的首次应用中，”宾夕法尼亚州彭恩医学指的单位主任和佩尔曼医学院医学副教授在宾夕法尼亚大学和迈克尔J.Crescenz VA Medical Centre士兵的员工医师。“在这项工作中有很多机会，并将其应用于癌症护理和其他医学领域的其他方面。”

---

---