物質の誤用のデータ駆動型識別

2016 年には、米国 (US) の約 30% の退院者が、物質使用に関連した状態の主要な診断カテゴリを持っていました。 薬物乱用は、計画外の 7 日間の再入院率の主要な診断の中で 2 番目にランクされています。 スクリーニング、簡単な介入、および治療への紹介（SBIRT）介入が利用可能であるにもかかわらず、薬物乱用は入院ルーチンの一部ではなく、少数の患者のみが病院環境で薬物乱用についてスクリーニングされます. これは特に問題です。なぜなら、入院患者の物質乱用の有病率は 25% と推定されており、一般集団や外来患者の設定よりも高いからです。 病院の設定に合わせた実用的なスクリーニング方法が必要です。

電子健康記録 (EHR) での意味のある使用の出現により、通常のケア中に収集されたデータを活用することで、アルコール検出の効率が向上する可能性があります。 物質使用の文書化は一般的であり、プロバイダーの入場メモの 96% 以上に含まれていますが、自由なテキスト形式のため、マイニングや分析が困難になっています。 自然言語処理 (NLP) と機械学習は、人工知能 (AI) のサブフィールドであり、EHR 内のテキスト データを分析して薬物乱用を特定するソリューションを提供します。 最新の NLP は、データからの学習に焦点を当てた人工知能の別のサブフィールドである機械学習と融合しています。 特に、最も強力な NLP メソッドは、教師あり学習に依存しています。これは、現在の参照基準を利用して目に見えないケースについて予測を行う一種の機械学習です。

NLP および機械学習ツールの以前のバージョンでは、研究者は、入院してから最初の 24 時間に収集された臨床記録のデータを使用して、アルコールの誤用を特定する感度と特異度を 70% を超えることに成功しました。 2016 年には約 3,600 万人が入院したため、薬物乱用分類子は数百万人に影響を与える可能性があります。

この研究の目的は、前向きに物質乱用分類器を実装して、三次医療システムで入院しているすべての成人患者の現在の慣行に対するその有効性を調べることです。 医療制度には、現在の質問票スクリーニングの慣行に対する薬物乱用分類子のパフォーマンスを調べるための成熟したスクリーニング システムがあります。

仮説は、薬物乱用分類子が、入院患者をスクリーニングするための標準化された相互運用可能で正確なアプローチを提供する可能性があるというものです。 入院患者への分類子の実装の成功は、物質乱用の自動化された包括的なユニバーサル スクリーニング システムに向けた一歩です。