研究使用AI按复杂性对患者消息进行排序

范德比尔特大学医学中心的一个研究小组对外科手术患者及其医疗团队之间的电子消息线程感兴趣，测试了某些常用的机器学习算法如何根据临床决策的复杂性对此类交流进行分类。

作者指出，诸如Medicare之类的医疗保健付款人在确定服务付款时要考虑医疗决策的复杂性。

作者写道：“如果有效，自动化的消息分析可能会量化在线提供的护理或支持在线护理的费用。” 它可以帮助员工做出决定，并且“可以帮助(消息)分类”。

两名外科医生研究人员根据医学决策的复杂性对500条线进行了独立标记，并在讨论任何分歧时对每个线的标记达成了共识：简单，低，中度和无决定权。(事实证明，集合中没有高度复杂的线程。)

该团队测试了两种标准的多类机器学习算法与该专家分类的匹配程度，一种是随机森林分类器，另一种是多项朴素贝叶斯分类器。每个线程都在450个带标签的线程上进行了培训和验证，然后在其余50个线程上进行了测试。精度是根据精度或检索到的真实阳性与检索到的真实和假阳性总和之比，召回率或比率来衡量的检索到集合中所有阳性的真实阳性数。

在他们团队的四个简单，低，中度或没有临床决策复杂性的标签上，满分为1.0代表完美，该团队的两个机器学习模型的最佳性能是精度为0.58，召回率为0.63。

“尽管他们确实仅通过简单地将每个消息线程中的医学术语的数量相加就远远超过了对复杂性进行分级的第三个程序，但是如果没有更多数据和进一步分析，这两个当前受过训练的机器学习算法都不能被认为适合临床使用。”研究的主要作者， 生物医学信息学系研究员Lina Sulieman博士说。“在这项研究的细节中，有一些发现可以帮助我们改进这种类型的自动化分析。”

Sulieman等人的先前研究已使用机器学习根据其中表达的一般需求(医疗，后勤，信息等)对传入的患者消息进行分类。根据作者的说法，这似乎是对消息进行自动分类的首次尝试。根据临床决策的复杂性进行线程化。

根据这项研究，VUMC的患者门户网站Vanderbilt的My Health(研究​​中使用的线程的来源)在一个典型的月中收到了来自患者和家人的大约30,000条消息。

Sulieman说：“安全的消息传递是患者门户网站最受欢迎的功能之一，医院看到的消息量呈指数级增长。” “量化患者信息中决策的复杂性可以帮助根据医疗复杂性水平确定合适的人来管理线索并回复信息。目前，这是一个手动过程，找到一种自动执行分类的方法可以节省阅读消息并将任务委派给团队中合适的人所花费的时间。”