人工智能工具可快速检测患者健康记录中的注射吸毒迹象

结合自然语言处理和机器学习的自动化过程比目前依赖人工记录审查的方法更快、更准确地识别电子健康记录中的注射毒品者 (PWID)。

目前，注射毒品的人是通过国际疾病分类 (ICD) 代码识别的，这些代码由医疗保健提供者在患者的电子健康记录中指定，或者由训练有素的人类编码员从这些记录中提取，这些编码员会出于计费目的对其进行审查。 但是没有针对注射药物使用的特定 ICD 代码，因此提供者和编码人员必须依靠非特定代码的组合作为代理来识别 PWID——一种可能导致不准确的缓慢方法。

研究人员手动审查了 2003 年至 2014 年退伍军人管理局医院收治的金黄色葡萄球菌菌血症患者的 1,000 条记录，这是一种常见的感染，当细菌进入皮肤的开口时会发生，例如注射部位的开口。 然后，他们使用自然语言处理和机器学习开发和训练算法，并将它们与 ICD 代码的 11 个代理组合进行比较，以识别 PWID。

该研究的局限性包括提供者提供的文件可能很差。 此外，使用的数据集是从 2003 年到 2014 年，但注射吸毒流行已经从处方阿片类药物和海洛因转移到合成阿片类药物如芬太尼，算法可能会错过，因为它学习分类的数据集没有很多例子那种药。 最后，这些调查结果可能不适用于其他情况，因为它们完全基于退伍军人管理局的数据。

使用这种人工智能模型可以显着加快识别 PWID 的过程，这可以改善临床决策、卫生服务研究和行政监督。

主要作者大卫古​​德曼博士说：“通过使用自然语言处理和机器学习，我们可以在几分钟内识别出数千条笔记中注射毒品的人，而人工审查需要几周时间才能做到这一点。” Meza，加州大学洛杉矶分校大卫格芬医学院传染病学系医学助理教授。 “这将使卫生系统能够识别 PWID，以便更好地分配资源，例如注射器服务计划以及为吸毒者使用药物和心理健康治疗。”

该研究的其他研究人员是加州大学洛杉矶分校的 Amber Tang 博士、Matthew Bidwell Goetz 博士、Steven Shoptaw 和 Alex Bui； 爱荷华大学和爱荷华市退伍军人事务部医学中心的 Michihiko Goto 博士； 弗吉尼亚州大洛杉矶医疗保健系统的 Babak Aryanfar 博士； 达特茅斯学院的塞尔吉奥·巴斯克斯； 犹他大学和弗吉尼亚州SALT湖城医疗保健系统的 Adam Gordon 博士。 Goodman-Meza 和 Goetz 也与 VA 大洛杉矶医疗保健系统有约会。

有所作为：赞助机会

故事来源：

材料 由…提供 加州大学洛杉矶分校健康科学. 注意：内容可能会根据样式和长度进行编辑。