三種機(jī)器學(xué)習(xí)算法已識(shí)別出可能在手術(shù)后遭受極度痛苦的患者，每個(gè)患者的準(zhǔn)確率約為80%。預(yù)測性協(xié)助可能會(huì)幫助醫(yī)生針對危險(xiǎn)和易上癮的阿片類藥物適當(dāng)?shù)刂贫ㄌ娲缘奶弁垂芾碛?jì)劃。

首席研究作者，哈佛大學(xué)醫(yī)學(xué)博士Mieke Soens對與會(huì)人員說，他的團(tuán)隊(duì)計(jì)劃將這些模型與Brigham and Women‘s Hospital的EHR進(jìn)行整合，以“為每位患者提供術(shù)后疼痛的預(yù)測。”

為了建立他們的模型，Soens和同事們回顧了來自近6，000名不同手術(shù)類別的術(shù)后患者的數(shù)據(jù)。他們發(fā)現(xiàn)，這些患者中約有22%在手術(shù)后的前24小時(shí)內(nèi)接受了大劑量的嗎啡毫克當(dāng)量。

接下來，他們咨詢了疼痛護(hù)理專家，并搜索了文獻(xiàn)，提出了163種可能預(yù)示嚴(yán)重的術(shù)后疼痛的因素。

借助這些洞察力，該團(tuán)隊(duì)構(gòu)建了三個(gè)模型-后勤回歸，隨機(jī)森林和人工神經(jīng)網(wǎng)絡(luò)-能夠?yàn)g覽患者的病歷并將163個(gè)因素修剪為只有最強(qiáng)烈的預(yù)測性。

將模型的預(yù)測與相同患者中的阿片類藥物實(shí)際使用量進(jìn)行比較，Soens及其同事發(fā)現(xiàn)，這三者在確定哪些患者遭受最大疼痛并需要使用更大劑量的阿片類藥物方面的準(zhǔn)確度約為80%。

“電子病歷是寶貴且未被充分利用的患者數(shù)據(jù)來源，可以有效地用于改善患者的生活，” Soens在演講后發(fā)表的準(zhǔn)備好的講話中說道。“有選擇地識(shí)別通常在手術(shù)后需要大劑量阿片類藥物的患者，對于減少濫用阿片類藥物的重要性很重要。”

責(zé)任編輯：lq