Datengetriebene Identifizierung für Substanzmissbrauch

Im Jahr 2016 hatten fast 30 % Krankenhausentlassungen in den Vereinigten Staaten (USA) eine Hauptdiagnosekategorie für eine substanzbedingte Erkrankung. Drogenmissbrauch steht an zweiter Stelle unter den Hauptdiagnosen für ungeplante 7-Tage-Krankenhauseinweisungsraten. Trotz der Verfügbarkeit von Screening, Brief Intervention und Referral to Treatment (SBIRT)-Interventionen ist Substanzmissbrauch nicht Teil der Aufnahmeroutine, und nur eine Minderheit der Patienten wird im Krankenhaus auf Substanzmissbrauch untersucht. Dies ist besonders problematisch, da bei Krankenhauspatienten die Prävalenz des Drogenmissbrauchs auf bis zu 25 % geschätzt wird und damit höher ist als in der Allgemeinbevölkerung oder im ambulanten Bereich. Praktische Screening-Methoden, die auf das Krankenhausumfeld zugeschnitten sind, werden benötigt.

Mit dem Aufkommen von Meaningful Use in der elektronischen Gesundheitsakte (EHR) kann die Effizienz der Alkoholerkennung verbessert werden, indem Daten genutzt werden, die während der üblichen Pflege gesammelt wurden. Die Dokumentation des Substanzkonsums ist weit verbreitet und kommt in über 96 % der Zulassungsbescheide von Anbietern vor, aber ihr Freitextformat macht es schwierig, sie zu durchsuchen und zu analysieren. Verarbeitung natürlicher Sprache (NLP) und maschinelles Lernen sind Teilbereiche der künstlichen Intelligenz (KI), die eine Lösung zur Analyse von Textdaten in der elektronischen Patientenakte bieten, um Drogenmissbrauch zu erkennen. Modernes NLP ist mit maschinellem Lernen verschmolzen, einem weiteren Teilgebiet der künstlichen Intelligenz, das sich auf das Lernen aus Daten konzentriert. Insbesondere die leistungsstärksten NLP-Methoden stützen sich auf überwachtes Lernen, eine Art maschinelles Lernen, das aktuelle Referenzstandards nutzt, um Vorhersagen über ungesehene Fälle zu treffen

In der früheren Version eines NLP- und maschinellen Lerntools verwendeten die Ermittler erfolgreich Daten aus klinischen Notizen, die in den ersten 24 Stunden der Krankenhausaufnahme gesammelt wurden, um eine Sensitivität und Spezifität von über 70 % für die Identifizierung von Alkoholmissbrauch zu erreichen. Mit fast 36 Millionen Krankenhauseinweisungen im Jahr 2016 hat ein Klassifikator für Drogenmissbrauch das Potenzial, Millionen Menschen zu betreffen.

Ziel dieser Studie ist es, prospektiv einen Substanzmissbrauchsklassifikator zu implementieren, um seine Wirksamkeit gegenüber der aktuellen Praxis aller hospitalisierten erwachsenen Patienten in einem tertiären Gesundheitssystem zu untersuchen. Das Gesundheitssystem verfügt über ein ausgereiftes Screening-System, um die Leistung der Klassifikatoren für den Substanzmissbrauch anhand der aktuellen Praxis des Fragebogen-Screenings zu untersuchen.

Die Hypothese ist, dass der Substanzmissbrauchsklassifikator einen standardisierten, interoperablen und genauen Ansatz zum Screening von Krankenhauspatienten bieten kann. Die erfolgreiche Implementierung des Klassifikators bei Krankenhauspatienten ist ein Schritt in Richtung eines automatisierten und umfassenden universellen Screeningsystems für Substanzmissbrauch.