范德比爾特大學(xué)醫(yī)學(xué)中心的一個(gè)研究小組對(duì)手術(shù)患者與其醫(yī)療團(tuán)隊(duì)之間的電子消息線程感興趣，測(cè)試了某些常用的機(jī)器學(xué)習(xí)算法如何根據(jù)臨床決策的復(fù)雜性對(duì)此類交換進(jìn)行分類。他們的報(bào)告先于《外科研究雜志》印刷版發(fā)布在網(wǎng)上。
作者指出，醫(yī)療保險(xiǎn)等醫(yī)療保健支付者在確定服務(wù)費(fèi)用時(shí)考慮了醫(yī)療決策的復(fù)雜性。
作者寫道：“如果有效，自動(dòng)消息分析可能會(huì)量化在線提供的護(hù)理或支持在線護(hù)理的計(jì)費(fèi)。”它可以幫助做出人員配置決策，并且“可能有助于[消息]分類”。
兩名外科醫(yī)生兼研究人員根據(jù)醫(yī)療決策的復(fù)雜性獨(dú)立標(biāo)記了 500 個(gè)線索，并討論任何分歧，就每個(gè)線索的標(biāo)簽達(dá)成共識(shí)：簡(jiǎn)單、低、中等和無決定。(事實(shí)證明，該集合中沒有高度復(fù)雜的線程。)
該團(tuán)隊(duì)測(cè)試了兩種標(biāo)準(zhǔn)多類機(jī)器學(xué)習(xí)算法與此專家分類的匹配程度，一種是隨機(jī)森林分類器，另一種是多項(xiàng)式樸素貝葉斯分類器。每個(gè)線程都在 450 個(gè)標(biāo)記線程上進(jìn)行訓(xùn)練和驗(yàn)證，然后在其余 50 個(gè)線程上進(jìn)行測(cè)試。準(zhǔn)確度以精確度(即檢索到的真陽(yáng)性與檢索到的真陽(yáng)性和假陽(yáng)性之和的比率)和召回率(即比率)來衡量檢索到的真陽(yáng)性數(shù)與集合中的所有陽(yáng)性數(shù)的比值。
在他們的集合的四個(gè)標(biāo)簽中，即簡(jiǎn)單、低、中等或無臨床決策復(fù)雜性，分?jǐn)?shù)為 1.0 表示完美，該團(tuán)隊(duì)的兩個(gè)機(jī)器學(xué)習(xí)模型的最佳性能是精確度為 0.58，召回率為 0.63。
“雖然它們的表現(xiàn)遠(yuǎn)遠(yuǎn)優(yōu)于第三個(gè)程序，該程序通過簡(jiǎn)單地添加每個(gè)消息線程中的醫(yī)學(xué)術(shù)語(yǔ)數(shù)量來對(duì)復(fù)雜性進(jìn)行分級(jí)，但如果沒有更多數(shù)據(jù)和進(jìn)一步分析，當(dāng)前訓(xùn)練的兩種機(jī)器學(xué)習(xí)算法都不能被認(rèn)為足以用于臨床使用，”該研究的主要作者、生物醫(yī)學(xué)信息學(xué)系研究員 Lina Sulieman 博士說。“這項(xiàng)研究的細(xì)節(jié)中有幾項(xiàng)發(fā)現(xiàn)可以幫助我們改進(jìn)這種類型的自動(dòng)化分析。”
Sulieman 和其他人之前的研究使用機(jī)器學(xué)習(xí)根據(jù)患者消息中表達(dá)的一般需求類型(醫(yī)療、后勤、信息等)對(duì)傳入的患者消息進(jìn)行分類。根據(jù)作者的說法，這似乎是自動(dòng)對(duì)消息進(jìn)行排序的首次嘗試根據(jù)臨床決策復(fù)雜性進(jìn)行線程。
根據(jù)這項(xiàng)研究，VUMC 的患者門戶網(wǎng)站 My Health at Vanderbilt(研究中使用的線程的來源)在典型的一個(gè)月內(nèi)收到來自患者和家人的大約 30,000 條消息。
標(biāo)簽：
免責(zé)聲明：本文由用戶上傳，如有侵權(quán)請(qǐng)聯(lián)系刪除！