Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

L'algorithme d'artificial intelligence peut recenser des patients au haut risque du l'auto-tort intentionnel

Selon la fondation américaine pour la prévention du suicide, le suicide est la 10ème principale cause du décès aux États-Unis, avec plus de 1,4 millions de tentatives de suicide enregistrées en 2018.

Bien que les traitements efficaces soient procurables pour ces en danger, les cliniciens n'ont pas une voie fiable de prévoir quels patients sont susceptibles d'effectuer une tentative de suicide.

Les chercheurs à l'université de la Caroline du Sud médicale et à l'université de la Floride du sud enregistrent en informatique médicale de JMIR qu'ils ont pris des étapes importantes vers traiter le problème en produisant un algorithme d'artificial intelligence qui peut automatiquement recenser des patients au haut risque du l'auto-tort intentionnel, basé sur l'information dans les notes cliniques dans le dossier santé électronique.

L'étude a été aboutie par Jihad Obeid, M.D., codirecteurs du centre biomédical d'informatique de MUSC, et de Brian Bunnell, Ph.D., ancien à MUSC et actuel à un professeur adjoint en service de psychiatrie et neurologies comportementales à l'université de la Floride du sud.

L'équipe a employé les réseaux neuronaux artificiels complexes, une forme d'artificial intelligence également connue sous le nom de profondément apprenant, à analyser des caractéristiques non structurées et textuelles dans le dossier santé électronique. Les méthodes apprenantes profondes emploient graduel des couches de réseaux artificiels pour extraire l'information plus élevée des caractéristiques d'entrée brutes.

L'équipe a prouvé que ces modèles, une fois que qualifiés, pourraient recenser des patients en danger d'auto-tort intentionnel.

Ce genre de travail est important parce qu'il influence les dernières technologies pour traiter un problème important comme le suicide et recense des patients en danger de sorte qu'ils puissent être management approprié visé. »

Jihad Obeid, DM, codirecteurs du centre biomédical d'informatique de MUSC, et de Brian Bunnell, professeur adjoint, service de psychiatrie et neurologies comportementales, université de la Floride du sud

Jusqu'ici, les chercheurs ont principalement compté sur des caractéristiques structurées dans le dossier santé électronique pour l'identification et la prévision des patients en danger. La caractéristique structurée se rapporte à l'information sous forme de tableaux qui a été écrite dans les inducteurs montrés dans le dossier santé électronique en tant qu'élément des soins cliniques.

Par exemple, quand les médecins diagnostiquent des patients et affectent la catégorie internationale des indicatifs de la maladie (défibrillateur interne), ils produisent des caractéristiques structurées. Il est facile pour des programmes informatiques analyser ce tri des caractéristiques sous forme de tableaux et structurées.

Cependant, 80% à 90% des informations pertinentes dans le dossier santé électronique est enfermé dans le format texte. En d'autres termes, les notes cliniques, les rapports d'avancement, les notes de régime-de-soins et d'autres textes narratifs dans le dossier santé électronique représentent un énorme moyen inexploité pour la recherche.

L'étude d'Obeid est seule parce qu'elle emploie notes cliniques les « affichées » profondes de réseaux neuronaux dans le dossier santé électronique et recense et prévoit des patients en danger pour l'auto-tort.

Après la révision d'éthique et l'approbation de réglementation de la recherche proposée par la table d'examen institutionnelle à MUSC, Obeid a commencé en recensant les dossiers patients liés aux indicatifs de défibrillateur interne indicatifs du l'auto-tort intentionnel dans l'entrepôt de données des recherches de MUSC.

Cet entrepôt, qui a été produit avec le support de l'institut de recherches clinique et de translation de la Caroline du Sud, fournit des chercheurs de MUSC atteignent aux caractéristiques électroniques patientes de dossier santé, s'ils ont obtenu les autorisations nécessaires.

Afin de simuler un scénario du monde réel, Obeid et son équipe ont divisé les dossiers cliniques en deux catégories de temps : 2012 à 2017 dossiers qui ont été employés pour former les modèles et 2018-2019 dossiers qui ont été employés pour vérifier les modèles qualifiés. D'abord, ils ont regardé les notes cliniques prises pendant la visite d'hôpital dans laquelle l'indicatif de défibrillateur interne a été affecté.

Utilisant le ce comme ensemble de données de formation, les modèles « ont appris » que des configurations du langage dans les notes cliniques des dossiers médicaux électroniques des patients ont été associés à l'affectation d'un indicatif de défibrillateur interne d'auto-tort intentionnel. Une fois que les modèles étaient formés, ils pourraient recenser ces patients basés seulement sur leur analyse de texte dans les notes cliniques, avec une exactitude de 98,5%. Les experts ont manuellement observé un sous-ensemble de dossiers pour confirmer l'exactitude du modèle.

Ensuite, l'équipe a vérifié si le plus précis des modèles pourrait employer les notes cliniques dans le dossier santé électronique pour prévoir le futur auto-tort.

À cet effet, l'équipe d'Obeid a recensé les dossiers des patients qui s'étaient présentés avec l'auto-tort intentionnel et avaient formé le modèle utilisant leurs notes cliniques entre six mois à un mois avant la visite intentionnelle d'hôpital d'auto-tort.

Ils ont alors vérifié si les modèles qualifiés pourraient correctement prévoir si ces patients se présenteraient plus tard avec l'auto-tort intentionnel.

Futur auto-tort de prévision basé seulement sur les notes cliniques prouvées pour être plus provocant que recensant les patients à risque actuels dus au « bruit » supplémentaire qui est introduit quand des immenses quantités d'histoire patiente sont comprises dans le modèle.

Des notes cliniques historiques tendent à être variées et pas toujours approprié. Par exemple, si un patient était vu pour la dépression ou d'autres enjeux de la santé mentale six mois avant sa visite d'hôpital pour l'auto-tort intentionnel, puis les notes cliniques étaient susceptibles de comprendre les informations importantes.

Cependant, si le patient entrait pour une condition indépendante de la santé mentale, puis les notes étaient moins pour comprendre les informations importantes.

Tandis que l'inclusion d'information inutile introduit beaucoup de bruit dans l'analyse de caractéristiques, toute cette information doit être incluse en travers des patients dans les modèles pour prévoir des résultats. Comme résultat, le modèle était moins précis à prévoir quels patients se présenteraient plus tard pour l'auto-tort intentionnel que simplement classifiant les patients actuels pour le risque de suicide.

Néanmoins, l'exactitude prévisionnelle de ce modèle était très compétitive avec celle précédemment rapportée pour les modèles qui se sont fondés sur des caractéristiques structurées, atteignant une exactitude presque de 80% avec la sensibilité et la précision relativement élevées.

L'équipe d'Obeid a montré la faisabilité d'employer les modèles apprenants profondément pour recenser des patients en danger d'auto-tort intentionnel basé sur seules les notes cliniques. L'étude a également prouvé que des modèles peuvent être employés pour prévoir, avec la fidélité assez bonne, quels patients se présenteront à l'avenir pour l'auto-tort intentionnel basé sur les notes cliniques dans leur dossier santé électronique.

Ces résultats précoces sont prometteurs et pourraient avoir de grands chocs au niveau clinique. Si des modèles apprenants profonds peuvent être employés pour prévoir quels patients sont au haut risque pour le suicide basé sur les notes cliniques, alors les cliniciens peuvent se référer des patients à haut risque tôt pour le traitement adapté.

Utilisant ces modèles classifier des patients en tant qu'en danger pour l'auto-tort a pu également faciliter l'adhérence dans des études cliniques et des essais des demandes de règlement neuves potentielles concernant le suicide.

Dans de futures études, Obeid vise à évaluer des changements de l'hublot prévisionnel de temps pour ses modèles, par exemple, regardant des dossiers un an avant l'exposé d'un patient pour l'auto-tort intentionnel au lieu de six mois.

L'équipe a l'intention également d'examiner d'autres résultats tels que le suicide ou l'idéation suicidaire. Et tandis que les modèles fonctionnent bien à MUSC, Obeid doit maintenant prouver qu'ils peuvent être généralisés à d'autres institutions.

« Peuvent les modèles être formés dans un emplacement et être transférés à un autre emplacement et fonctionner toujours ? » Obeid demandé. « Si la réponse est oui, puis ceci économise les moyens critiques parce que d'autres institutions ne devront pas exécuter des révisions manuelles chères et longues de carte pour confirmer que les modèles l'obtiennent droit au cours des périodes de formation. »

Source:
Journal reference:

Obeid, J. S., et al. (2020) Identifying and Predicting Intentional Self-Harm in Electronic Health Record Clinical Notes: Deep Learning Approach. JMIR Medical Informatics.
doi.org/10.2196/17784.