Gegevensgestuurde identificatie voor middelenmisbruik

In 2016 had bijna 30% van de ziekenhuisontslagen in de Verenigde Staten (VS) een belangrijke diagnostische categorie voor een aan middelengebruik gerelateerde aandoening. Drugsmisbruik staat op de tweede plaats van de belangrijkste diagnoses voor ongeplande 7-daagse ziekenhuisopnames. Ondanks de beschikbaarheid van interventies voor screening, korte interventie en verwijzing naar behandeling (SBIRT), maakt middelenmisbruik geen deel uit van de opnameroutine en wordt slechts een minderheid van de patiënten gescreend op middelenmisbruik in de ziekenhuisomgeving. Dit is met name problematisch, aangezien onder gehospitaliseerde patiënten de prevalentie van middelenmisbruik wordt geschat op maar liefst 25%, meer dan de algemene bevolking of de ambulante setting. Er zijn praktische screeningsmethoden nodig die zijn toegesneden op de ziekenhuisomgeving.

Met de komst van zinvol gebruik in het elektronische patiëntendossier (EPD), kan de efficiëntie voor alcoholdetectie worden verbeterd door gebruik te maken van gegevens die tijdens de gebruikelijke zorg zijn verzameld. Documentatie van middelengebruik is gebruikelijk en komt voor in meer dan 96% van de toegangsbewijzen van aanbieders, maar hun vrije tekstformaat maakt ze moeilijk te ontginnen en te analyseren. Natural Language Processing (NLP) en machine learning zijn subgebieden van kunstmatige intelligentie (AI) die een oplossing bieden voor het analyseren van tekstgegevens in het EPD om middelenmisbruik te identificeren. Moderne NLP is versmolten met machine learning, een ander deelgebied van kunstmatige intelligentie gericht op het leren van gegevens. Met name de krachtigste NLP-methoden zijn gebaseerd op gesuperviseerd leren, een vorm van machinaal leren dat gebruikmaakt van de huidige referentiestandaarden om voorspellingen te doen over ongeziene gevallen

In de eerdere versie van een NLP- en machine learning-tool gebruikten de onderzoekers met succes gegevens van klinische aantekeningen die in de eerste 24 uur na ziekenhuisopname waren verzameld om een ​​sensitiviteit en specificiteit van meer dan 70% te bereiken voor het identificeren van alcoholmisbruik. Met bijna 36 miljoen ziekenhuisopnames in 2016, kan een classificator van middelenmisbruik miljoenen mensen treffen.

In deze studie is het doel om prospectief een classificator voor middelenmisbruik te implementeren om de effectiviteit ervan te onderzoeken in vergelijking met de huidige praktijk van alle volwassen patiënten in het ziekenhuis in een tertiair gezondheidssysteem. Het gezondheidssysteem heeft een volwassen screeningsysteem om de prestaties van classificatiemiddelen voor middelenmisbruik te vergelijken met de huidige praktijk van screening op vragenlijsten.

De hypothese is dat de classificatie voor misbruik van middelen een gestandaardiseerde, interoperabele en nauwkeurige benadering kan bieden voor het screenen van gehospitaliseerde patiënten. Succesvolle implementatie van de classifier bij gehospitaliseerde patiënten is een stap in de richting van een geautomatiseerd en alomvattend universeel screeningsysteem voor middelenmisbruik.