额外的数据，先进的分析提高机器学习推荐应用程序的性能

Regenstrief研究所和印第安纳大学的研究科学家通过整合额外的个人和人群层面的数据来源以及先进的分析方法，进一步提高了Uppstroms的性能。Uppstroms是一种机器学习应用程序，可以识别哪些患者可能需要转诊到综合服务。

研究团队附属机构包括IU Fairbanks Iu Fairbanks在Iuupui，IU医学院和Eskenazi Health学院的公共卫生学院。

Uppstroms已在印第安纳波利斯安全网医院相关的九个诊所使用。算法标识初级护理病人诸如社会风险行为健康或者为食物和住房而挣扎。这使得临床医生可以为这些患者提供专门的服务，如营养师，行为健康或社会工作者，目标是在它变成危机之前解决需求。

证据表明，至少四分之一的成年人，可能多达二分之一的成年人，有一种由健康的社会决定因素驱动的需求。

论文第一作者、Regenstrief研究科学家、印第安纳大学医学院儿科学助理教授Suranga Kasthurirathne博士说:“这些综合性服务可以通过解决初级保健提供者无法解决的社会经济、行为和经济需求来提高初级保健的提供。”bob电竞“让它在临床，我们纳入了广泛的患者级数据和更多粒度的人口健康数据，以提高应用的精度，导致误报率较少。“

以前的方法创新

该算法添加的其他数据包括患者层面的健康、保险、用药史和行为健康史的社会决定因素。这些数据来自Eskenazi Health的电子健康记录系统和印第安纳州患者护理网络，后者由印第安纳州健康信息交换所管理。根据美国人口普查局、马里恩县公共卫生部门和社区卫生调查，在人口普查区(小于邮政编码所包含的区域)测量的人口层面的健康社会决定因素。

研究小组评估了新的决策模型，发现它们比以前的模型表现更好。新的患者水平数据和先进的分析方法在提高准确性方面发挥了关键作用。

“这么多影响健康的事情发生在医生的办公室之外，”资深作者Joshua R. Vest博士说，他是Regenstrief研究科学家和教授，也是IUPUI费尔班克斯公共卫生学院卫生政策中心的主任。“卫生系统正在努力将这些健康的社会决定因素纳入EHR。这项研究显示了在临床就诊期间，在电子病历中捕捉社会因素并利用它们来做临床决策的好处。”

除了添加的数据元素之外，研究团队还调整了申请是供应商中性，这意味着它可以实施到任何电子健康记录系统中。

研究人员的下一步是开发一种方法来利用EHR中的非结构化数据并将其包含在算法中。

“能够使用患者和人口级数据集来识别需要患有患者和人口级数据集的需求的精确健康的机器：算法开发和验证”在线发布JMIR医学信息。

---

---