Verarbeitung natürlicher Sprache zum Screening von Opioidmissbrauch

Die klinische Erzählung in der elektronischen Patientenakte (EHR) enthält wertvolle Informationen für prädiktive Analysen, aber ihre Freitextform ist schwierig zu durchsuchen und für die klinische Entscheidungsunterstützung (CDS) zu analysieren. Großangelegte Pipelines für die Verarbeitung natürlicher Sprache (NLP) im klinischen Bereich haben sich auf Data-Warehouse-Anwendungen für retrospektive Forschungsbemühungen konzentriert. Es bleibt ein Mangel an Beweisen für die Implementierung von Open-Source-NLP-Pipelines, um interoperable und standardisierte CDS am Krankenbett für Gesundheitsoperationen bereitzustellen.

Enterprise Analytics und Applied Data Science bei UWHealth haben dem Gesundheitssystem geholfen, seine IT-Infrastruktur auszubauen, um ein datengesteuertes lernendes Gesundheitssystem (LHS) zu unterstützen, das zu einer durch künstliche Intelligenz (KI) erweiterten Entscheidungsfindung am Krankenbett fähig ist.

Dies ist eine klinische Studie zur Implementierung und Bewertung einer krankenhausweiten, operativen Intervention für ein Echtzeit-NLP-gesteuertes CDS-Tool namens Substance Misuse Algorithm for Referral to Treatment Using Artificial Intelligence (SMART-AI). Das SMART-AI CDS-Tool wird über die Implementierung in die elektronische Patientenakte von UW Health evaluiert. Das CDS-Tool ist für das Screening stationärer Erwachsener auf Opioidmissbrauch als Teil einer Best-Practice-Warnung für Pflegekräfte und Anbieter für den Bedarf an Suchtberatungsdiensten gedacht. Das Tool ist Teil einer Qualitätsverbesserungsinitiative mit Genehmigungen von Krankenhausausschüssen, einschließlich des Clinical AI and Predictive Analytics Committee. Das primäre Ergebnis war der Prozentsatz der stationären Patienten, die basierend auf dem NLP-CDS-Tool positiv gescreent wurden (oder positiv gescreent worden wären), die eine Suchtberatung mit einer der folgenden Interventionen erhielten: (1) Erhalt einer Opioidkonsum-Intervention oder Motivationsinterviews (MI) ; (2) Erhalt einer medikamentengestützten Behandlung (MAT); und/oder (3) Überweisung zur Behandlung von Substanzgebrauchsstörungen. Das primäre Ergebnis wird als Prozentsatz in den Zeiträumen vor und nach der Intervention angegeben und bestand aus dem Substanzkonsum-Screening und der Inanspruchnahme von Behandlungsdiensten für Krankenhauspatienten, die auf Opioidmissbrauch untersucht wurden. Zu den sekundären Endpunkten gehörte die Rate der ungeplanten Wiedereinweisungen ins Krankenhaus nach 30 Tagen. Kriterien für ungeplante Krankenhauseinweisungen wurden von den Centers for Medicare & Medicaid Services übernommen.

Substanzmissbrauch ist ein häufiges Problem bei Krankenhauspatienten im Zusammenhang mit schlechten Gesundheitsergebnissen, wird jedoch nicht priorisiert und in der Routineversorgung häufig nicht behandelt. Derzeitige Ansätze für das Screening an der UW sind noch nicht umgesetzt, und andere Gesundheitssysteme verwenden strukturierte diagnostische Interviews, die zusätzliches Personal und zusätzlichen Aufwand während der klinischen Versorgung erfordern. Wichtige Details zum Substanzkonsum werden in den klinischen Notizen der elektronischen Patientenakte erfasst, aber die Daten sind schwer zu durchsuchen und zu analysieren. Die Verarbeitung natürlicher Sprache und maschinelles Lernen können trainiert werden, um relevante Befunde in den Notizen zu identifizieren, um Patienten mit Drogenmissbrauch automatisch zu screenen.

Die Ermittler trainierten ein konvolutionelles neuronales Netzwerk, um Alkoholmissbrauch, Opioidmissbrauch und Missbrauch von Nicht-Opioid-Medikamenten mit hoher Genauigkeit unter Verwendung von ICD-Diagnosecodes und Aufnahmenotizen, die während der klinischen Behandlung gesammelt wurden, zu screenen und zu identifizieren. Der abgeleitete Algorithmus wird als „Substance Misuse Algorithm for Referral to Treatment Using Artificial Intelligence“ (SMART-AI) bezeichnet. Das Screening-Tool verwendet Methoden der Verarbeitung natürlicher Sprache, um Krankenhauspatienten zu screenen, um die Behandlung zu priorisieren, die sich auf ihren Drogenmissbrauch konzentriert. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3922677

SMART AI ist genauer als herkömmliche regelbasierte Systeme. Es verwendet maschinelles Lernen und Echtzeit-Datenfeeds, um die Daten der elektronischen Gesundheitsakte (EHR) kontinuierlich zu überwachen und Krankenhauspatienten nach dem Risiko des Konsums ungesunder Substanzen zu stratifizieren.

UWHealth ist ein Early Adopter von Tools zur klinischen Entscheidungsunterstützung (CDS), die von künstlicher Intelligenz (KI) gesteuert werden, und plant die Implementierung von SMART-AI zum Screening ungesunden Opioidkonsums. Der eingebettete EHR-Workflow ermöglicht auch eine automatisierte Datentransformation in das Data Warehouse unseres Gesundheitssystems zur Analyse von Maßnahmen zur Unterstützung eines Plan Do Study Act (PDSA)-Vorgangs, einer integralen Komponente eines Learning Health System (LHS).

Enterprise Analytics und Applied Data Science bei UWHealth haben dem Gesundheitssystem geholfen, seine IT-Infrastruktur zu erweitern, um ein datengesteuertes LHS zu unterstützen, das zu einer KI-gestützten Entscheidungsfindung am Krankenbett fähig ist, und SMART-AI ist einer der ersten Anwendungsfälle für die Verwendung von Screenings Verarbeitung natürlicher Sprache.

Ziel 1: Untersuchen Sie den Behandlungseffekt von SMART-AI auf die Gesundheitsergebnisse von Patienten mithilfe eines pragmatischen klinischen Rollout-Designs.

Studiendesign: Der Tag des Einschaltens des SMART-AI-Tools markiert den Beginn des Implementierungszeitraums. Das Tool wird in einem mehrmonatigen PDSA-Zyklus evaluiert, um das primäre Ergebnis von Suchtberatungen zu untersuchen. Die Interventionsstichprobe der SMART-AI-Studie bestand aus allen Krankenhauspatienten, die mit dem NLP-CDS-Tool positiv auf Opioidmissbrauch getestet wurden. Der primäre Wirksamkeitsmaßstab war der Prozentsatz der Krankenhauspatienten in der NLP-CDS-Interventionsstichprobe, die positiv auf Opioidmissbrauch gescreent wurden und die eine Intervention durch den stationären Suchtberatungsdienst erhielten. Eine Kontrollstichprobe wurde abgeleitet, indem das NLP-CDS-Tool rückwirkend auf alle stationären EHR-Aufzeichnungen für die zwei Jahre vor Beginn der vorliegenden Studie im März 2023 angewendet wurde. Hospitalisierte Patienten, die nach dem NLP-CDS-Tool retrospektiv positiv gescreent wurden, bilden die Kontrollgruppe für die übliche Versorgung.