Datadriven identifiering för substansmissbruk

Under 2016 hade nästan 30 % av sjukhusutskrivningarna i USA (USA) en viktig diagnostisk kategori för ett tillstånd relaterat till droganvändning. Missbruk av droger ligger på andra plats bland huvuddiagnoser för oplanerade 7-dagars återinläggningar på sjukhus. Trots tillgången på screening-, kortinterventions- och remiss till behandling (SBIRT)-interventioner är missbruk inte en del av intagningsrutinen och endast en minoritet av patienterna screenas för missbruk på sjukhuset. Detta är särskilt problematiskt, eftersom förekomsten av missbruk av droger uppskattas vara så hög som 25 % bland inlagda sjukhuspatienter, vilket är större än antingen den allmänna befolkningen eller öppenvården. Det behövs praktiska screeningmetoder som är skräddarsydda för sjukhusmiljön.

I tillkomsten av meningsfull användning i elektronisk journal (EPJ) kan effektiviteten för alkoholdetektering förbättras genom att utnyttja data som samlats in under vanlig vård. Dokumentation av droganvändning är vanligt förekommande och förekommer i över 96 % av leverantörernas antagningsanteckningar, men deras fria textformat gör dem svåra att bryta och analysera. Natural Language Processing (NLP) och maskininlärning är underområden av artificiell intelligens (AI) som tillhandahåller en lösning för att analysera textdata i EHR för att identifiera missbruk av substanser. Modern NLP har smält ihop med maskininlärning, ett annat underområde av artificiell intelligens som fokuserar på att lära av data. I synnerhet är de mest kraftfulla NLP-metoderna beroende av övervakad inlärning, en typ av maskininlärning som drar fördel av nuvarande referensstandarder för att göra förutsägelser om osynliga fall

I den tidigare versionen av ett NLP- och maskininlärningsverktyg använde utredarna framgångsrikt data från kliniska anteckningar som samlats in under de första 24 timmarna av sjukhusinläggning för att nå en sensitivitet och specificitet över 70 % för att identifiera alkoholmissbruk. Med nästan 36 miljoner sjukhusinläggningar under 2016 har en klassificeringsanordning för missbruk potential att påverka miljoner.

I den här studien är syftet att prospektivt implementera en klassificering av substansmissbruk för att undersöka dess effektivitet mot nuvarande praxis för alla inlagda vuxna patienter på ett tertiärt hälsosystem. Hälso- och sjukvårdssystemet har ett moget screeningsystem för att undersöka prestandan för klassificering av substansmissbruk mot nuvarande praxis för enkätscreening.

Hypotesen är att ämnesmissbruksklassificeraren kan tillhandahålla en standardiserad, interoperabel och korrekt metod för att screena inlagda patienter. En framgångsrik implementering av klassificeraren hos inlagda patienter är ett steg mot ett automatiserat och heltäckande universellt screeningsystem för missbruk av droger.