魔鬼在数据中

对数百万患者就诊的机器学习回顾揭示了许多未被发现的自我伤害案例

当谈到理解大数据时，有时很难只见树木不见森林。

但是，UNM 全球健康中心的 Christophe Lambert 博士和他的同事最近使用一种机器学习方法来检测隐藏在数百万份医疗保险账单记录中的令人不安的模式。

在上个月发表的一篇论文中 美国医学信息学协会杂志，该团队报告了他们的发现，在寻求医疗护理的严重精神疾病患者中，自残事件实际上可能比账单记录中报告的高出 19 倍。

该发现表明，医生和其他护理提供者经常为他们提供的护理分配标准化的计费代码，以掩盖患者的伤害可能确实是由于自残而非意外造成的可能性。

该发现表明这可能对患者护理产生影响。

“我们即将进行的研究表明，如果一个人以前做过一次，他或她面临的自残风险将增加三倍以上，”内科副教授兰伯特说。 因此，为了防止进一步的自残或自杀，“如果你不进行编码，这意味着患者未来的治疗可能会因在他们的历史中没有这些重要信息而受到影响，”他说。

兰伯特和他的团队从一个包含 130 年至 2003 年超过 2016 亿美国人的医疗账单记录的匿名数据库开始他们的研究。他们将研究范围缩小到约 10 万被诊断患有严重精神疾病（包括重度抑郁症）的患者的子集、双相情感障碍、精神分裂症和分裂情感性障碍——已经被认为有较高自残风险的人。

机器学习，其中计算机应用算法来快速分析大型数据集，可以识别人类不易察觉的模式。 在这种情况下，研究人员为计算机提供了 185,000 个变量，以应用于每位患者的住院和急诊室访问。

“我们实际上扔进了厨房水槽，”兰伯特说。 “这基本上是那些访问中发生的任何事情——包括所有程序和诊断代码。” 出现的调查结果之一是，可能自残的案例被严重低估了。

被评估为自残的案例与未评估的案例之间也存在意想不到的差异。

因中毒和中毒、事故、窒息、胸部和头部手术修复、腕部伤口、自残想法、抑郁和心理治疗而接受治疗的人比那些患有物质使用障碍、海洛因中毒的人更有可能被编码为自残、神经障碍、车祸或跌倒。

兰伯特说，这表明某些差异可能是由于动机提供者归因于特定行为的原因。

“我们平均看到，当有人因阿片类药物过量或使用具有愉悦效果的药物伤害自己时，他们不太可能将其编码为自我伤害，”兰伯特说。 但当有人过量服用阿司匹林或安眠药时，更有可能评估自伤，大概是出于自伤意图。

“与女性相比，男性也更有可能对自我伤害进行编码不足，”兰伯特补充道，“男性比女性更不可能披露或获得帮助的刻板印象与数据相矛盾——这似乎可能是一种偏见在提供者编码中基于患者的性别。”

当编码不足的自我伤害被揭露时，其风险作为年龄、精神疾病诊断、性别和美国州的函数的详细估计出现了。 自残的最高风险是女性 15 岁和男性 17 岁，在 20 多岁之后下降。

自 2006 年以来，全国范围内的自残率稳步上升，患有一种以上严重精神疾病的人每年有 18-25% 的机会在 15 至 26 岁之间伤害自己，这是风险最高的年龄。

该研究是兰伯特以患者为中心的结果研究所奖励 2.4 万美元进行的更大规模研究的一部分，用于比较双相情感障碍的各种治疗方法的有效性，特别是当它们与自残、住院和副作用的风险。

虽然该研究侧重于如何对患者护理进行分类，但兰伯特认为该方法有可能用于预测框架。

“人们可以根据你的历史，以另一种方式使用机器学习，包括先前推定的自残案例，”他说。 “由于积极治疗可以提供帮助和/或其他因素，您是否属于高风险类别？”

兰伯特还乐观地认为，大规模数据分析可以揭示有用的见解，为医疗决策提供信息。

“我们能从这些数据集中学到什么吗？” 他问。 “编码是不完美的，人类是不完美的，但总的来说，当我们拥有非常大的数据集时，很多噪音可以平均化，我们可以获得有意义的答案和证据。”