물질 오용에 대한 데이터 기반 식별

2016년에 미국(US)에서 거의 30%의 병원 퇴원이 물질 사용 관련 상태에 대한 주요 진단 범주를 가졌습니다. 약물 남용은 계획되지 않은 7일 병원 재입원율에 대한 주요 진단 중 두 번째 순위입니다. SBIRT(Screening, Short Intervention, and Referral to Treatment) 개입이 가능함에도 불구하고 약물 남용은 입원 절차의 일부가 아니며 소수의 환자만이 병원 환경에서 약물 남용에 대해 선별 검사를 받습니다. 이것은 특히 문제가 되는데, 입원 환자들 사이에서 약물 남용의 유병률이 일반 인구나 외래 환자 환경보다 높은 25%로 추정되기 때문입니다. 병원 환경에 맞는 실용적인 선별 방법이 필요합니다.

전자 건강 기록(EHR)의 의미 있는 사용이 도래하면서 일상적인 치료 중에 수집된 데이터를 활용하여 알코올 감지 효율성을 향상시킬 수 있습니다. 약물 사용에 대한 문서는 일반적이며 제공자 승인 노트의 96% 이상에서 발생하지만, 무료 텍스트 형식으로 인해 마이닝 및 분석이 어렵습니다. 자연어 처리(NLP) 및 머신 러닝은 물질 오용을 식별하기 위해 EHR의 텍스트 데이터를 분석하는 솔루션을 제공하는 인공 지능(AI)의 하위 분야입니다. 최신 NLP는 데이터 학습에 중점을 둔 인공 지능의 또 다른 하위 분야인 기계 학습과 융합되었습니다. 특히 가장 강력한 NLP 방법은 현재 참조 표준을 활용하여 보이지 않는 사례에 대한 예측을 수행하는 일종의 기계 학습인 감독 학습에 의존합니다.

이전 버전의 NLP 및 기계 학습 도구에서 조사관은 알코올 남용을 식별하기 위해 70% 이상의 민감도와 특이도에 도달하기 위해 병원 입원 첫 24시간 동안 수집된 임상 기록의 데이터를 성공적으로 사용했습니다. 2016년에 약 3,600만 명이 병원에 입원한 가운데 약물 남용 분류기는 수백만 명에게 영향을 미칠 가능성이 있습니다.

이 연구의 목표는 3차 의료 시스템에서 입원한 모든 성인 환자의 현재 관행에 대한 효과를 조사하기 위해 약물 남용 분류기를 전향적으로 구현하는 것입니다. 의료 시스템은 현재의 설문지 선별 관행에 대해 물질 남용 분류기 성능을 검사하기 위한 성숙한 선별 시스템을 갖추고 있습니다.

가설은 물질 오용 분류자가 입원 환자를 선별하기 위해 표준화되고 상호 운용 가능하며 정확한 접근 방식을 제공할 수 있다는 것입니다. 입원 환자에게 분류기를 성공적으로 구현하는 것은 약물 남용에 대한 자동화되고 종합적인 보편적 스크리닝 시스템을 향한 한 걸음입니다.