额外的数据,高级分析提高性能的机器学习推荐应用

印第安纳大学研究Regenstrief研究所的科学家们和进一步提高Uppstroms的性能,识别患者的机器学习应用程序可能需要转诊的服务,通过加入更多的个人和群体的数据源和先进的分析方法。

研究团队关系包括Regenstrief、IU费尔班克斯公共卫生学院IUPUI, IU医学院和Eskenazi健康。

Uppstroms已经使用九点诊所安全网医院在印第安纳波利斯。该算法识别初级护理病人与社会风险等行为健康挣扎与食物或住房。这允许临床医生给病人推荐专业营养师等服务,行为健康或社会工作者,目标是解决之前它就变成了一场危机。

证据表明,至少有四分之一的成年人,并可能多达两个,需要由健康问题社会决定因素驱动的。

“这些概括解决社会经济,可以提高初级保健交付的服务行为和金融需求无法满足初级保健提供者,“说Suranga Kasthurirathne,博士论文第一作者,Regenstrief研究科学家和IU医学院的儿科助理教授。bob电竞“让它更有用临床,我们将广泛的患者的立场数据和更细粒度的人口健康数据改善应用程序的精确性,从而减少误报。”

创新方法之前

额外的数据添加到算法的健康问题社会决定因素包括患者的立场,保险,药物治疗和行为健康历史历史。这些数据来自Eskenazi健康的电子健康记录系统和印第安纳州网络病人护理,这是由印第安纳州卫生信息交换。全民健康问题社会决定因素以普查区区域,所包含的面积小于的邮政编码,来自美国人口普查局,马里恩县公共卫生部门和社区健康调查。

研究小组评估了新的决策模型,发现他们比以前的模型。新患者的立场数据和先进的分析方法在改善精度发挥了关键作用。

“这么多外面发生什么影响健康的医生的办公室,“资深作者约书亚说r .背心,博士,英里,Regenstrief研究科学家和教授和卫生政策中心主任IU费尔班克斯IUPUI公共卫生学院。“卫生系统正在把这些健康问题社会决定因素集成到电子健康档案。这项研究显示了电子健康档案中获取的利益社会因素在临床访问和利用他们对临床决策。”

除了添加数据元素,研究团队适应应用程序独立于供应商的,这意味着它可以在任何电子健康记录系统来实现。

下一步的研究人员正在开发一种利用EHR的非结构化数据,包括它的算法。

“精确Health-Enabled机器学习识别需要概括社会服务使用病人——和群体数据集:算法开发和验证”发表在网上JMIR医学信息。