机器学习模型帮助医生预测患者的阿片类药物处方风险
![Simulation of predicting the top 20 riskiest opioid dispensations measured daily by progressively excluding participants previously flagged as high risk. A, Top 20 riskiest dispensations. The solid blue line (what was predicted) represents a workload that the College of Physicians and Surgeons of Alberta (CPSA) would have to consider. B, True-positive rate. The XGBoost classifier predicted daily risks in a simulation for the CPSA stratified by top percentile categories of risk. Base risk is 2.6% and represents the pretest probability. Credit: JAMA Network Open (2022). DOI: 10.1001/jamanetworkopen.2022.48559 机器学习模型帮助医生预测患者的阿片类药物处方风险](https://scx1.b-cdn.net/csz/news/800a/2023/machine-learning-model.jpg)
阿尔伯塔大学的研究人员正在使用一种形式的人工智能来帮助医生更好地预测哪些患者有阿片类药物处方不良结果的风险。
在最新发表的研究中,合作团队创造了一个机器学习模型评估在填写阿片类药物处方后30天内急诊就诊、住院或死亡的风险。机器学习允许计算机在大量数据中找到模式,随着时间的推移,随着它们不断验证和再训练更新的信息,计算机变得更加准确。
的模型与行政部门交叉引用药房数据健康数据——每次病人与医疗保健系统交互时创建的记录,从急诊科和医生就诊到血液测试和扫描。他们追踪了2018年和2019年853324名艾伯塔省成年人的匿名记录,当时有6181025人阿片类药物的处方共报告了77,326例不良事件。
医生跟着的指导方针来确定病人有更高的风险,但并不是每个人都被抓到,因为他们经常这样做有限的信息流行病学家、公共卫生学院教授迪恩·欧里奇(Dean Eurich)说。
“机器学习可以将我们要研究的变量数量从几十个扩展到5000个,所以我们可以依靠你的实验室、你的住院情况、你的医生就诊情况、你过去服用的药物——所有这些信息现在都可以放入模型中,以预测你在低风险或高风险的范围内出现不良结果的位置,”Eurich解释道。
“人类的思想只是不能一次处理那么多信息。”
拯救生命,省钱
该模型是与健康信息公司Okaki和阿尔伯塔内科和外科医生学院合作创建的,他们作为跟踪处方计划的管理员,负责日常监测阿片类药物处方,这是为减缓正在进行的阿片类药物危机所做的许多努力之一,该危机在2022年夺走了1346名阿尔伯塔人的生命。
Eurich报告称,该模型预测患者不良预后的准确率为90%。他预计将在六个月内进行下一步研究,作为学院监控系统的一部分,实时实施和测试该模型。
高风险患者的医生会得到通知,这样他们就可以选择开不同的药,给更小的剂量,或者更密切地跟踪患者。
Eurich说:“这是一种工具,可以帮助临床医生管理非常复杂的患者,并帮助患者从治疗中获得更好的结果。”
Eurich也在使用机器学习通过分析健康数据来回答其他人口健康问题,包括为什么糖尿病患者比普通人群更容易感染COVID-19一般人群以及为什么有些人进了重症监护室,而另一些人没有。
“艾伯塔省拥有世界上最好的健康数据集,所以我们要确保我们正在充分利用它们的潜力,”Eurich说。
“通过向卫生系统本身学习并采取干预措施,这真的给了我们改变患者结果的最佳机会。”
这篇论文发表在杂志上JAMA网络开放.
更多信息:Vishal Sharma等人,阿片类药物分配30天内评估不良后果风险的机器学习模型的开发和验证,JAMA网络开放(2022)。DOI: 10.1001 / jamanetworkopen.2022.48559