机器学习模型预测医生营业额

医生营业额是破坏性的病人和卫生保健设施的成本和内科医生。在一项新的研究中,耶鲁大学研究人员利用机器学习的因素,包括长度医生的任期内,他们的年龄,他们的案件的复杂性会增加营业额的风险。

评估数据从一个大美国卫生保健系统在近三年时间,他们能够预测,准确率达到了97%,医生离开的机会。这些发现,研究人员称,提供见解,帮助卫生保健系统干预之前,医生决定离开为了减少营业额。

这项研究发表在2月1日《公共科学图书馆•综合》。

而卫生保健设施通常使用跟踪医生职业倦怠和调查工作满意度,新的研究使用的数据电子健康记录(EHRs),它被大多数美国医生用来跟踪和管理患者信息。

调查的问题,泰德•梅尔尼克说,急诊医学副教授和文章的第二作者的新研究中,医生经常感到压力响应。因此,反应率往往较低。“和调查可以告诉你发生了什么在那一刻,”他补充说,“但不是第二天发生了什么,下个月,或者在接下来的一年”。

电子健康记录,然而,这除了收集病人临床数据还不断生成与工作相关的数据,提供了一个机会来观察医生行为模式时刻很长一段时间。

在新的研究中,研究人员用三年去除了识别信息的EHR和医生数据从一个大新英格兰医疗系统以确定他们是否可能需要三个月的数据和预测的可能性医生的离职在接下来的六个月。

“我们希望这将是有用的东西在一个个性化的层面上,”安德鲁·Loza说讲师和临床信息学耶鲁大学医学院的研究员和文章的第二作者的研究。“如果有人用这种方法,他们可以看到离去的位置的可能性以及对估计的增长贡献最大的变量在那一刻,和在可能的情况下进行干预。”

具体来说,数据是每月收集从319年在34个月期间的医生代表26个医学专业。数据包括医生花了多少时间使用电子医疗纪录;临床效率的措施,如体积病人和医生的需求;和医生的特征,包括年龄和就业的长度。不同部分的数据被用来训练,验证和测试机器学习模型。

当测试时,该模型能够预测医生是否会离开准确率达到了97%,研究人员发现。模型的敏感性和特异性,这显示离职的比例和non-departure月正确分类分别为64%和79%,分别。模型也能够识别强度不同的变量导致了营业额的风险,变量是如何对待对方,当医生从低风险变量改变什么离职风险很高。

细节的驾驶预测是什么使这种方法特别有用,研究人员说。

“努力使机器学习模型黑盒在你得到一个预测但尚不清楚该模型是如何,“Loza说。“理解产生的模型预测它为什么是特别有用的在这种情况下,这些细节将识别问题,可能导致医生离开。”

通过他们的方法,研究人员分析了几个变量导致离职风险;上面的四个因素,他们发现,医生已经使用多久,他们的年龄,复杂的情况下,对其服务的需求。

而以前的工作使只有分析的线性关系,机器学习模型允许研究人员观察医生面临的挑战更多的细微差别。例如,离职的风险最高的医生最近雇佣和那些较长的任期却低中等任期长度。同样,离职的风险也更高的44岁,低于45至64岁的医生,和更高的再次对那些65岁或更老。

也有变量之间的相互作用。例如,更多的时间花在EHR活动减少的风险出发对医生工作了不到10年。但是对于那些医生工作时间,增加离职的风险。

“没有一个放之四海而皆准的解决方案,研究结果表明“Loza说。

医生离职的风险转移在整个研究期间,34个月,覆盖跨度从2018年到2021年(一段,包括大流行性流感大流行前世界),研究人员说。他们还发现了特定的变量改变时医生从低到高离职的风险;EHR收件箱信息回应的比例由团队成员除了医生,医生的需求,和病人数量的变量改变最当医生的风险翻从低到高。COVID-19波变化也与离职风险。

“我认为这项研究是一个重要的步骤在识别因素,有助于临床医师营业额,创建一个可持续的终极目标和繁荣的栖息地为我们临床医生工作,”布莱恩·威廉姆斯说,医学信息学官与东北医疗集团和这项研究的一位作者。

朝着这个目标,研究人员创建了一个指示板,可以显示这个信息。卫生保健领导人看到的价值分析这种方法可以提供的类型。

”医生职业倦怠是越来越认识到问题,卫生保健系统,医院,和一大群需要找出他们需要做什么,以确保的情感和身体健康和幸福吗医生和其他临床医师做实际的照顾病人,”罗伯特·麦克莱恩说,纽黑文东北地区医疗主任医疗集团。

“许多卫生保健系统已经健康官员和健康委员会的责任谁能收集和开发结论和分析这些数据,然后将导致执行计划的变化和希望改进。”

梅尔尼克补充道,“我们兴奋的可能性在实践中这可能是什么样子。我们继续工作伦理的实现,因为这是真正关于如何培养医生的幸福和繁荣的劳动力。”