Çalışma: Makine öğrenimi modeliyle birleştirilmiş yüz yüze tarama, intihar riski tahmininde en iyi performansı gösteriyor



Hem yüz yüze taramaları hem de EHR’ye gömülü bir makine öğrenimi modelini kullanan birleşik bir yaklaşım, yetişkinler arasında intihar riskini tahmin etmede en iyi performansı gösterdi. yayınlanan çalışma JAMA Ağı Açık.

Çalışma, 83.000’den fazla hastadan yatan hasta, ayaktan cerrahi ve acil servis ortamlarında 120.000’den fazla karşılaşmayı içeriyordu. Hem Columbia İntihar Şiddet Derecelendirme Ölçeği (C-SSRS) hem de Vanderbilt İntihar Girişimi ve Fikir Olabilirliği (VSAIL) makine öğrenimi modeli ile yüz yüze taramaları kullanan hibrit yaklaşımın, konu intihar girişimlerini tahmin etmeye geldiğinde her iki seçenekten de daha iyi performans gösterdiğini buldu. intihar düşüncesi.

Çalışmanın yazarları, “Bu bulgular, sağlık sistemlerinin, intihar riski tespitini iyileştirmek için geleneksel klinisyen değerlendirmesinin bağımsız, tamamlayıcı güçlü yönlerinden ve otomatik makine öğreniminden yararlanmaya çalışması gerektiğini göstermektedir.”

NEDEN ÖNEMLİ

Araştırmacılar, birbirini tamamlayan güçlü ve zayıf yönleri olan iki modeli bir araya getirdiği için, hibrit yaklaşımın intihar riskini tahmin etmede daha iyi sonuç vermiş olabileceğini belirtti.

Örneğin, VSAIL modeli daha düşük intihar riski eşiklerinde daha iyi performans gösterirken, C-SSRS yüz yüze tarama daha yüksek risk eşiklerinde daha iyi sonuç verdi. VSAIL modeli artarken, yüz yüze anketin duyarlılığı da zamanla azaldı. Hibrit yaklaşım, zaman içinde tutarlı performans gösterdi.

Bu arada, C-SSRS taraması, mevcut olsa bile intihar düşüncesini reddeden hastalar tarafından sınırlandırılabilirken, bir hastada kapsamlı klinik veri yoksa VSAIL makine öğrenme modeli daha az etkili hale gelebilir.

“Sonuçlarımız, EHR tabanlı modellerin duyarlılığı ve PPV’yi iyileştirmek için mevcut yüz yüze tarama verilerini içermesi gerektiğini gösteriyor. [positive predictive value] (özellikle daha yüksek risk eşiklerinde),” diye yazdı araştırmacılar.

“Yalnızca yüz yüze tarama uygulayan sağlık sistemlerinin çoğu için, EHR tabanlı modellerin dahil edilmesi, daha düşük risk eşiklerinde duyarlılığı iyileştirebilir, daha spesifik karar kesintileri için sürekli çıktı sağlayabilir ve klinisyen değerlendirmesi tarafından tipik olarak gözden kaçan vakaları belirleyebilir (örn. hasta ifşa edilmemesi).”

BÜYÜK TREND

Yapay zeka ve makine öğrenimi, sağlık ve yaşam bilimlerinde yaygınlaşıyor, ancak bununla ilgili endişeler var. Önyargı, güvenlik sorunlarını bulmak için kapsamlı klinik öncesi testlerin önemi ve potansiyel yasal riskler.

Ancak, COVID-19 salgını şiddetlendi dünya çapında ruh sağlığı endişelerive ABD’deki birçok eyalet sağlayıcı sıkıntısıyla karşı karşıya.

bu JAMA Ağı Açık Çalışmanın yazarları, bir makine öğrenimi modeli oluşturmak ve doğrulamak için zaman alırken, yüz yüze taramaların da zaman, eğitim ve zihinsel sağlık uygulayıcısı kaynakları gerektirdiğini belirtti.

“Kişisel tarama ve geçmiş EHR verilerinin birleştirilmesinden elde edilen iyileşme (özellikle PPV’de) klinik olarak önemliydi, ancak topluluk yaklaşımımızın maliyetleri ve faydaları sağlık tesisleri arasında büyük farklılıklar gösterecek” diye yazdılar. “Klinik ve istatistiksel risk tahminini birleştirmenin alternatif yollarını karşılaştırmak ve bunları klinik sistemlerde uygulamanın pratik sonuçlarını analiz etmek için daha fazla araştırmaya ihtiyaç var.”


Kaynak : https://www.mobihealthnews.com/news/study-face-face-screening-combined-machine-learning-model-performs-best-suicide-risk-prediction

SMM Panel PDF Kitap indir