Otázky a odpovede: Výskumník diskutuje o tom, ako strojové učenie pomáha identifikovať pacientov s rizikovou úrovňou poruchy užívania opiátov

Ronen Rozenblum, Ph.D., MPH, riaditeľ Unit for Innovative Healthcare Practice & Technology a riaditeľ Business Development Centra pre výskum a prax v oblasti bezpečnosti pacientov v Brigham and Women’s Hospital a odborný asistent na Harvard Medical School, je hlavný riešiteľ a hlavný autor novej štúdie publikovaný v JMIR Lekárska informatika“Aplikácia strojového učenia na klasifikáciu pacientov na rôznych úrovniach rizika poruchy užívania opioidov: Klinická validačná štúdia.”

V tomto článku doktor Rozenblum rozoberá tento výskum.

Ako by ste zhrnuli vašu štúdiu pre laické publikum?

Naša štúdia sa zamerala na využitie pokročilého strojového učenia (ML). lekárov presnejšie identifikovať pacientov s rizikom rozvoja porucha užívania opioidov (OUD). Napriek prísnym usmerneniam pre liečbu opioidov zostáva OUD vážnym problémom verejného zdravia.

Vyhodnotili sme aplikáciu ML s názvom MedAware, ktorá upozorňuje lekárov na pacientov, ktorí môžu byť vystavení vyššiemu riziku OUD, pomocou analýzy záznamov o pacientoch. Naše zistenia ukázali, že ML môže poskytnúť lekárom spoľahlivé upozornenia o úrovni rizika pacienta. Tento druh technológie má potenciál výrazne zlepšiť spôsob, akým lekári a iní klinickí lekári hodnotia a liečia OUD, s cieľom poskytnúť presnejšiu, bezpečnejšiu a personalizovanú starostlivosť pacientom na začiatku liečby opioidmi.

Akú otázku ste skúmali?

Táto klinická validačná štúdia skúmala, do akej miery je systém ML v porovnaní s hodnotením rizika OUD u pacienta. Preskúmali sme dohodu medzi aplikáciou ML a štruktúrovaným prehľadom zdravotných záznamov lekárov, aby sme zaradili pacientov liečených opiátmi do troch odlišných kategórií rizika OUD (tj nie vysoké riziko, vysoké riziko alebo podozrenie na OUD). Hodnotili sme aj dôvody nezrovnalostí medzi úsudkami lekárov a hodnotením rizika ML.

Aké metódy alebo prístup ste použili?

Na vytvorenie modelu ML a validačnej štúdie sa použili ambulantné údaje od 649 504 pacientov s Mass General Brigham a náhodná vzorka 180 pacientov. Na overenie týchto výstrah sme vyvinuli schému klasifikácie rizika OUD a nástroj na extrakciu údajov. Lekári nezávisle vykonali systematické a štruktúrované preskúmanie zdravotných záznamov a dosiahli konsenzus o úrovni rizika OUD každého pacienta, ktorá sa potom porovnala s priradením rizika aplikácie ML.

čo ste našli?

Naše zistenia odhalili, že aplikácia ML úspešne klasifikovala pacientov do rôznych úrovní rizika OUD a preukázala podstatnú zhodu s prehľadom lekárskych záznamov zo strany lekárov. Najvyššia zhoda medzi týmito dvoma metódami bola pozorovaná u pacientov klasifikovaných ako vysokorizikové OUD a suspektné OUD. Výsledky tejto štúdie teda ukazujú, že táto aplikácia ML môže generovať klinicky platné a užitočné upozornenia na skríning pacientov s rizikom OUD. Okrem toho sme identifikovali kľúčové témy vysvetľujúce nezhody medzi aplikáciou ML a recenziami lekárov.

Aké sú dôsledky a ďalšie kroky?

Význam týchto zistení spočíva v skutočnosti, že len obmedzený počet štúdií skúmal klinickú validitu a užitočnosť aplikácií ML pri rozlišovaní medzi rôznymi úrovňami rizika OUD u pacientov.

Tieto výsledky naznačujú, že aplikácie ML, ako je MedAware, môžu výrazne zvýšiť schopnosť lekárov posúdiť riziko OUD u pacientov na začiatku liečby opiátmi, čím sa podporí personalizovanejšia a bezpečnejšia starostlivosť. Očakáva sa, že táto schopnosť bude dopĺňať tradičné prístupy založené na pravidlách pri upozorňovaní lekárov a iných lekárov opioid otázky bezpečnosti.