关系数据库_怎么购买_物联网室内定位

2021-02-20 06:16

关系数据库_怎么购买_物联网室内定位

机器学习在抗击美国类鸦片流行中的作用2017年12月19日,佩顿·罗斯类别:针对雇主、技术和数据见解在最近的一篇博文中,我们的一位内科医生Gus Crothers博士讨论了预防在抗击美国阿片流行病中的作用。总而言之:预防阿片类药物过量死亡的最佳方法是通过改善阿片类药物的处方习惯来减少对这些药物的接触。在大圆桌会议上,我们无法直接影响任何一位医生的处方操作,大数据和数据库,返利折扣,但我们确实可以控制我们向会员推荐哪些医疗保健提供者。例如,大数据需要学什么,我们最近建立了一个机器学习模型来识别哪些初级保健医生(PCP)有不安全的处方药处方模式。机器学习算法的核心是使用一组输入变量(特征)来预测一个或多个输出变量(标签)。在我们的案例中,标签是一个指标,表明医生是否在他们的索赔数据中有危险的处方模式的证据。我们咨询了我们的医疗团队,以确定我们可以对医生的处方模式进行排名的指标。在我们的模型中使用的指标计算从医生那里接受危险的高剂量阿片类药物处方*的患者人数,相对于从该医生那里接受阿片类药物处方的患者总数。这一指标并不试图判断是否有阿片类药物适用于任何特定的患者(这很难从索赔中评估),而是对医生进行处罚,如果他们认为有必要使用阿片类药物时,他们一直在开危险剂量的处方。由于该模型的适用范围仅限于PCPs,因此合理高剂量处方的患者数量(例如,肿瘤患者)很少。我们发现,在给病人开阿片类药物的医生中,超过80%的医生至少开过一种危险的高剂量处方。此外,大约20%的医生让至少1/5的阿片类患者服用高剂量。如果我们能够获得所有医生的综合处方数据,我们可以简单地根据这个指标对他们进行排名,并将最危险的违规者标记为有不良处方行为。然而,索赔数据很少是提供者完整的,云 服务器,这意味着我们可能没有每个提供者编写的每个处方的信息。在医生的阿片类药物处方模式的数据不完整的情况下,我们使用我们的机器学习模型来预测他们是否可能有安全的阿片类药物处方模式。我们的模型使用医生处方模式的更一般特征来进行这些预测,包括但不限于:所有处方的平均供应天数;所有处方授权的平均再充装次数;以及属于每个DEA时间表的处方的分数。为了训练我们的模型,我们首先将阳性标记应用于有大量阿片类药物患者的PCPs,并且这些患者中有很大一部分使用高剂量阿片类药物。我们还将阴性标签应用于所有其他pcp的子集。我们的模型随后能够了解哪些一般的处方特征可以预测危险的阿片类处方模式。一旦模型被训练出来,我们就用它来预测一个PCP是否有安全的阿片类药物处方实践,即使在没有关于其阿片类药物处方模式的任何索赔数据的情况下。从医学角度验证我们的模型我们研究输入变量的特征重要性,以探索我们的模型如何做出预测,以及这些重要特征是否有意义。最能预测阿片类药物处方模式的特征如下。与更安全的处方模式相关1.每个病人开的处方数量更多2.与患者相比,更多的患者使用附表IV药物开更严格管制药物的分数与更危险的处方模式相关:1.大剂量苯二氮卓类患者占很大比例(相对于所有苯二氮卓类患者)2.每个病人都有大量的DEA附表二药物。与更安全的处方模式相关联的第一个特征有点违反直觉,但很可能是因为安全的医生首先开了较温和的药物,并且只在绝对必要时升级为阿片类药物。这种行为会导致每位患者的处方数量增加,大数据存储技术,并与专家建议的适当的阿片类药物处方相一致。与更危险的处方模式相关的第一个特征是有趣的,因为苯二氮卓类药物是导致每年大量过量死亡的另一类药物。这些药物与阿片类药物合用时特别危险。我们在索赔数据中寻找多氯联苯类药物处方重叠的证据,发现在我们的模型中被标记为处方不良的多氯联苯中,至少有**三分之二的人同时开过苯二氮卓类药物和类阿片类药物(反之亦然)。众所周知,这种处方模式会显著增加阿片类药物过量或不良事件的风险,专家建议的安全处方做法并不鼓励这种模式。显然,患者应该有更安全的替代品来替代这些pcp。在评估医生的质量时,除了开阿片类药物外,还有许多因素需要考虑。然而,大圆桌会议首先要保证会员的安全。我们坚信,初级保健医生选择如何及何时开出阿片类药物对患者的安全有显著影响。通过我们的不良处方模式,我们代表会员国积极主动地与类阿片流行病作斗争,减少他们接触危险处方做法的机会。这个模型被我们的匹配算法和其他质量指标一起使用,以确保寻找新医生的成员能够获得他们所在地区最安全、最合适的医疗服务。 *阿片类处方被认为是危险的高剂量的阈值是每天90毫克吗啡当量(MME)。疾病预防控制中心建议医生"在增加剂量至>=50mme/天时采取额外的预防措施"和"避免或仔细证明将剂量增加到>=90mme/天"。资料来源:https://www.cdc.gov/drugoverdose/pdf/calculating_total_daily_dose-a.pdf**如前所述,索赔数据很少是提供者完整的,因此实际数字可能会更高

分享到:
收藏
相关阅读