Cercetătorii identifică istorii ascunse de auto-vătămare prin utilizarea învățării automate
O istorie importantă legată de sănătatea mintală este adesea prezentă în dosarele medicale, dar este dificil de identificat, mai ales când aceasta lipsește din codurile de diagnostic utilizate de clinicieni, cercetători și sisteme de sănătate pentru a căuta și a contabiliza condițiile.
Un nou studiu condus de cercetători de la Universitatea din New Mexico, Școala de Medicină, a analizat dosarele medicale electronice pentru mai mult de 1,3 milioane de pacienți care au beneficiat de servicii din partea Administrației pentru Veterani (VHA). Studiul scoate în evidență o lacună frecventă în modul în care sistemele de sănătate urmăresc auto-vătămarea, cercetătorii constatând că codurile de diagnostic au prins doar aproximativ un sfert din istoricul de auto-vătămare documentat clinic.
„Pentru cercetare și planificare, dacă numărăm doar ceea ce este ușor vizibil în codurile de diagnostic, putem subestima semnificativ necesitățile pentru serviciile de sănătate mintală”, a afirmat Christophe Lambert, profesor și șef interimar al Diviziei de Informatică Translațională în Departamentul de Medicină Internă de la UNM. „O măsurare mai bună poate ajuta sistemele de sănătate să se planifice mai bine, să ajute cercetătorii să studieze îngrijirea mai precis și, în cele din urmă, să ajute clinicienii să știe când un pacient ar putea avea nevoie de o examinare mai atentă.”
Studiul, publicat în Journal of Medical Internet Research, a utilizat o metodă nouă de învățare automată dezvoltată anterior de membrii echipei de cercetare. După o revizuire expertă a dosarelor și o calibrare statistică, cercetătorii au estimat că auto-vătămarea documentată era prezentă la aproximativ 7,9% dintre pacienții consultați de clinicienii VHA – de peste patru ori mai mult decât procentul de 1,85% vizibil doar prin codurile de diagnostic. Această lacună este semnificativă, deoarece istoricul pierdut poate influența conștientizarea clinică, rezultatele cercetărilor și planificarea serviciilor de sănătate mintală.
Listele de probleme – notările pe care furnizorii le compilează cu privire la condițiile de sănătate ale pacienților – au evidențiat o altă lacună de vizibilitate. Acestea sunt menite să semnaleze condiții importante pentru echipele clinice, dar în îngrijirea reală nu sunt întotdeauna complete sau menținute constant. Dintre veteranii cu un cod de diagnostic pentru auto-vătămare, 22,6% aveau auto-vătămarea sau un istoric de auto-vătămare listat pe lista de probleme VHA. Aceasta înseamnă că, chiar și atunci când auto-vătămarea apărea în codurile de diagnostic, aceasta era adesea absentă din unul dintre cele mai vizibile câmpuri rezumative ale dosarului.
Istoricul de auto-vătămare este important din punct de vedere clinic deoarece reprezintă unul dintre cei mai relevanți predictori ai auto-vătămării viitoare și riscului de sinucidere. De asemenea, poate influența modul în care se oferă îngrijire, inclusiv modul în care clinicienii percep depresia, PTSD, tulburarea bipolară, abuzul de substanțe, traumatismele craniene și alte condiții care ar putea apărea împreună cu auto-vătămarea.
Autorii menționează că VHA utilizează deja instrumente specializate de raportare a suicidului și supradozelor și nu se bazează exclusiv pe codurile de diagnostic sau pe listele de probleme pentru a monitoriza riscul de sinucidere. Acest studiu a examinat o întrebare diferită, dar înrudită: Cât de mult istoric de auto-vătămare este vizibil în părțile dosarului pe care cercetătorii, echipele de îngrijire și sistemele de sănătate le pot cuantifica și revizui mai ușor la scară?
„Aceasta este o problemă de vizibilitate la nivel de sistem”, a afirmat Lambert. „Dosarul poate fi uriaș. În revizuirea noastră, unele dosare ale pacienților aveau mai mult de 500.000 de linii de note. Niciun clinician nu poate fi așteptat să citească tot acel material în timpul unei vizite normale.”
Studiul nu a încercat să prezică auto-vătămarea viitoare sau să determine cu certitudine dacă un anumit pacient a auto-vătămât. În schimb, echipa a testat dacă un model informatic ar putea folosi tiparele din datele structurate ale dosarului medical electronic pentru a estima probabilitatea ca istoricul de auto-vătămare să fie prezent, dar lipsă din codurile de diagnostic, apoi să compare aceste probabilități cu revizuirea expertă a notelor clinice.
Pentru a face acest lucru, echipa a folosit o metodă numită PULSNAR – Positive Unlabeled Learning Selected Not At Random, care a fost dezvoltată pentru datele de sănătate din viața reală, care sunt adesea dezordonate. Cele mai multe metode de învățare automată necesită exemple clare atât de „da”, cât și de „nu”. Însă în dosarele medicale, un cod de diagnostic lipsă nu dovedește că un pacient nu a avut niciodată acea condiție.
PULSNAR funcționează cu această incertitudine. Aceasta învață din pacienții care au un cod, apoi estimează câți pacienți similari ar putea fi prezenți printre cei fără un cod. Avantajul său principal este că nu presupune că cazurile codificate sunt aleatorii și permite luarea în considerare a faptului că unele cazuri sunt mai susceptibile de a fi codificate decât altele.
„Dosarele medicale pot face auto-vătămarea greu de observat din mai multe puncte de vedere”, a afirmat Praveen Kumar. „Uneori, istoricul este în nota unui clinician, dar nu în codurile de diagnostic. Alteori, dosarul poate conține factori de risc, leziuni, intoxicări sau comportamente care sunt conforme cu auto-vătămarea, chiar dacă dosarul nu dovedește ce s-a întâmplat sau de ce.”
„Metoda noastră poate ajuta la semnalizarea ambelor tipare pentru revizuire. Acest studiu a putut verifica primul model, deoarece dovada era deja în note. Al doilea model poate fi la fel de important, dar confirmarea acestuia ar necesita discuții cu pacienții sau utilizarea de informații dincolo de dosarul medical.”
Echipa de cercetare a inclus experți din UNM Health Sciences Center, Centrul Medical pentru Veterani Raymond G. Murphy, Centrul Medical Universitar Vanderbilt, Sistemul Sanitar al Veteraniilor din Valea Tennessee, Biroul de Sănătate Mintală al VA, Greer Black Company și Departamentul de Economie UNM. Echipa a reunit expertiză în informatică medicală, știința calculatoarelor, psihiatrie, informatica biomedicală, economie, statistică și cercetarea în servicii de sănătate.
Studiul privind auto-vătămarea face parte dintr-un program de cercetare mai amplu care utilizează învățarea pozitivă și etichetată pentru a identifica condiții care pot fi sub-înregistrate în datele medicale standard. Echipa a publicat deja un studiu similar folosind această abordare pentru a detecta tulburarea de utilizare a opioidului sub-codificată, iar lucrările în curs de desfășurare extind această metodă la alte condiții unde dosarul medical ar putea să nu prezinte întreaga imagine, inclusiv PTSD neidentificat, depresie, tulburarea bipolară și tulburările de somn.
Metoda ar putea completa eforturile mai ample ale VHA în domeniul sănătății mintale și prevenției sinuciderii, adă
