مطالعه: غربالگری چهره به چهره همراه با مدل یادگیری ماشینی بهترین عملکرد را در پیش بینی خطر خودکشی دارد.

بر اساس یک مطالعه، یک رویکرد ترکیبی با استفاده از غربالگری های چهره به چهره و یک مدل یادگیری ماشینی تعبیه شده در EHR بهترین عملکرد را در پیش بینی خطر خودکشی در میان بزرگسالان داشت. مطالعه منتشر شده در شبکه JAMA باز است.

این مطالعه شامل بیش از 120000 ملاقات در بخش‌های بستری، جراحی سرپایی و بخش اورژانس از بیش از 83000 بیمار بود. به این نتیجه رسید که رویکرد ترکیبی که از هر دو غربالگری حضوری با مقیاس رتبه‌بندی شدت خودکشی کلمبیا (C-SSRS) و مدل یادگیری ماشینی تلاش برای خودکشی و احتمال ایده واندربیلت (VSAIL) استفاده می‌کرد، برای پیش‌بینی تلاش‌های خودکشی به تنهایی از هر یک از گزینه‌ها بهتر عمل کرد. افکار خودکشی.

نویسندگان این مطالعه نوشتند: «این یافته‌ها نشان می‌دهد که سیستم‌های مراقبت‌های بهداشتی باید تلاش کنند تا از نقاط قوت مستقل و مکمل ارزیابی سنتی پزشک و یادگیری ماشینی خودکار برای بهبود تشخیص خطر خودکشی استفاده کنند».

چرا مهم است

محققان خاطرنشان کردند که رویکرد ترکیبی ممکن است برای پیش‌بینی خطر خودکشی بهتر عمل کند زیرا دو مدل را با نقاط قوت و ضعف مکمل ترکیب می‌کند.

به عنوان مثال، مدل VSAIL در آستانه‌های خطر کمتر خودکشی بهتر عمل کرد، در حالی که غربالگری چهره به چهره C-SSRS در آستانه‌های خطر بالاتر بهتر عمل کرد. حساسیت نظرسنجی حضوری نیز با گذشت زمان کاهش یافت، در حالی که مدل VSAIL افزایش یافت. رویکرد ترکیبی عملکرد ثابتی را در طول زمان نشان داد.

در همین حال، غربالگری C-SSRS می تواند توسط بیمارانی که افکار خودکشی را انکار می کنند حتی در صورت وجود آن محدود شود، در حالی که اگر بیمار اطلاعات بالینی گسترده ای در دسترس نداشته باشد، مدل یادگیری ماشینی VSAIL می تواند کمتر موثر باشد.

“نتایج ما نشان می دهد که مدل های مبتنی بر EHR باید داده های غربالگری حضوری موجود را برای بهبود حساسیت و PPV ترکیب کنند. [positive predictive value] (به ویژه در آستانه خطر بالاتر)،” محققان نوشتند.

برای اکثر سیستم‌های مراقبت‌های بهداشتی که غربالگری چهره به چهره را به تنهایی اجرا می‌کنند، ترکیب مدل‌های مبتنی بر EHR می‌تواند حساسیت را در آستانه‌های خطر پایین‌تر بهبود بخشد، خروجی مستمری را برای برش‌های تصمیم‌گیری خاص‌تر ارائه دهد و مواردی را که معمولاً توسط ارزیابی بالینی نادیده گرفته می‌شوند شناسایی کند (مثلاً مواردی از عدم افشای بیمار).

روند بزرگتر

هوش مصنوعی و یادگیری ماشین در مراقبت‌های بهداشتی و علوم زیستی در حال تبدیل شدن به همه جا هستند، اما نگرانی‌هایی در مورد معرفی سوگیری، اهمیت آزمایشات بالینی کامل برای یافتن مشکلات ایمنی و خطرات قانونی احتمالی.

با این حال، همه گیری COVID-19 تشدید شد نگرانی های مربوط به سلامت روان در سراسر جهان، و بسیاری از ایالت های ایالات متحده با کمبود ارائه دهندگان مواجه هستند.

را شبکه JAMA باز است نویسندگان این مطالعه خاطرنشان کردند که در حالی که ساخت و تأیید یک مدل یادگیری ماشینی زمان می‌برد، غربالگری‌های حضوری نیز به زمان، آموزش و منابع متخصص سلامت روان نیاز دارد.

آنها نوشتند: “بهبود (به ویژه در PPV) از ترکیب غربالگری حضوری و داده های EHR تاریخی از نظر بالینی قابل توجه بود، اگرچه هزینه ها و مزایای رویکرد مجموعه ما بین سایت های مراقبت های بهداشتی بسیار متفاوت است.” تحقیقات بیشتری برای مقایسه روش های جایگزین برای ترکیب پیش بینی خطر بالینی و آماری و تجزیه و تحلیل پیامدهای عملی اجرای آنها در سیستم های بالینی مورد نیاز است.