机器学习模型预测医师离职

医生的流动对病人来说是破坏性的，对卫生保健机构和医生都是昂贵的。在一项新的研究中，耶鲁大学的研究人员使用机器学习揭示了一些因素，包括医生的任期长短、年龄和病例的复杂性，这些因素会增加这种离职的风险。

他们对美国一个大型医疗保健系统近三年的数据进行了评估，预测出医生离职的几率，准确率高达97%。研究人员说，这些发现提供了一些见解，可以帮助医疗保健系统在医生决定离开之前进行干预，以减少人员流动。

这项研究发表于2月1日《公共科学图书馆•综合》．

而保健设施通常使用调查来跟踪医生的倦怠和工作满意度这项新研究使用了来自美国的数据电子健康记录(EHRs)，大多数美国医生使用它来跟踪和管理患者信息。

这项新研究的共同资深作者、急诊医学副教授特德·梅尔尼克(Ted Melnick)说，调查的问题在于，医生经常感到难以回应。因此，回复率通常很低。“调查可以告诉你那一刻发生了什么，”他补充说，“但不能告诉你第二天、下个月或接下来的一年里会发生什么。”

然而，电子健康记录除了收集临床患者数据外，还不断生成与工作相关的数据，为观察医生每时每刻和长时间的行为模式提供了机会。

在这项新研究中，研究人员使用了来自新英格兰大型医疗保健系统的三年去识别电子病历和医生数据，以确定他们是否可以利用三个月的数据来预测医生在接下来的六个月内离职的可能性。

“我们想要一些在个性化层面上有用的东西，”耶鲁大学医学院讲师和临床信息学研究员安德鲁·洛扎(Andrew Loza)说，他是这项研究的共同高级作者。“因此，如果有人使用这种方法，他们可以看到离职的可能性，以及当时对估计影响最大的变量，并在可能的情况下进行干预。”

具体来说，在34个月的时间里，每月从代表26个医学专业的319名医生那里收集数据。数据包括医生使用电子病历的时间;临床生产力指标，如病人数量和医生需求;医生的特征，包括年龄和工作时间。数据的不同部分被用于训练、验证和测试机器学习模型。

研究人员发现，经过测试，该模型能够预测医生是否会离开，准确率达到97%。该模型的敏感性和特异性分别为64%和79%，分别显示了正确分类的出发月和非出发月的比例。该模型还能够确定不同变量对离职风险的影响程度，变量之间如何相互作用，以及当医生从低风险离职过渡到高风险离职时，哪些变量发生了变化。

研究人员说，驱动预测的细节使这种方法特别有用。

“一直在努力使机器学习模型不黑盒其中你得到了一个预测，但不清楚模型是如何得出的，”Loza说。“理解模型为什么会做出这样的预测在这种情况下特别有用，因为这些细节将确定可能导致医生离职的问题。”

通过他们的方法，研究人员确定了几个影响离职风险的变量;他们发现，排名前四位的因素是医生受雇的时间、年龄、病例的复杂程度以及对他们服务的需求。

而以前的工作只启用线性关系的分析机器学习模型允许研究人员以更细微的差别观察医生面临的挑战。例如，最近受雇的医生和任期较长的医生离职风险最高，而任期中等的医生离职风险较低。同样，44岁以下的人离职风险较高，45岁至64岁的人离职风险较低，65岁及以上的人离职风险较高。

变量之间也存在相互作用。例如，在EHR活动上花费更多时间可以降低工作时间不足10年的医生的离职风险。但对于那些工作时间较长的医生来说，离职的风险增加了。

Loza说:“研究结果强调，没有一种万能的解决方案。”

研究人员说，在整个研究期间，医生离职的风险不断变化，研究涵盖了2018年至2021年的34个月(期间包括大流行和大流行前的世界)。他们还确定了当医生从低风险转向高风险时发生变化的特定变量;当医生的风险从低到高时，由医生以外的团队成员回复的电子病历收件箱消息的比例、医生的需求和患者数量是变化最大的变量。COVID-19浪潮也与离境风险的变化有关。

“我认为这项研究是确定导致临床医生离职因素的重要一步，最终目标是为我们的临床医生创造一个可持续和繁荣的工作环境，”东北医疗集团的医疗信息官、该研究的作者之一布莱恩·威廉姆斯说。

为了实现这一目标，研究人员创建了一个可以显示这些信息的仪表盘。卫生保健领导者看到了这种方法可以提供的分析类型的价值。

”医生职业倦怠这是一个日益被认识到的问题，医疗保健系统、医院和大型团体需要弄清楚他们需要做些什么来确保老年人的情绪和身体健康和福祉医生以及其他真正照顾病人的临床医生，”东北医疗集团纽黑文地区医疗主任罗伯特·麦克莱恩说。

“许多医疗保健系统已经有了健康官员和健康委员会，他们可以负责收集和分析这些数据，并得出结论，然后将导致实施计划的改变，希望得到改善。”

梅尔尼克补充说:“我们对这在实践中的可能性感到兴奋。我们将继续致力于道德实施，因为这真的是关于如何最好地促进医生的福祉和蓬勃发展的劳动力。”