आमने-सामने स्क्रीनिंग और ईएचआर में एम्बेडेड मशीन लर्निंग मॉडल दोनों का उपयोग करते हुए एक संयुक्त दृष्टिकोण ने वयस्कों के बीच आत्महत्या के जोखिम की भविष्यवाणी करने में सबसे अच्छा प्रदर्शन किया, एक के अनुसार में प्रकाशित अध्ययन जामा नेटवर्क खुला.

अध्ययन में 83,000 से अधिक रोगियों से इनपेशेंट, एम्बुलेटरी सर्जिकल और आपातकालीन विभाग सेटिंग्स में 120,000 से अधिक मुठभेड़ शामिल थे। यह हाइब्रिड दृष्टिकोण पाया गया जिसमें कोलंबिया आत्महत्या गंभीरता रेटिंग स्केल (सी-एसएसआरएस) और वेंडरबिल्ट आत्महत्या प्रयास और विचार संभावना (वीएसएएल) मशीन लर्निंग मॉडल के साथ व्यक्तिगत रूप से स्क्रीनिंग दोनों का उपयोग किया गया था, जब आत्महत्या के प्रयासों की भविष्यवाणी करने की बात आती है तो अकेले विकल्प से बेहतर प्रदर्शन किया जाता है। जान लेवा विचार।

अध्ययन के लेखकों ने लिखा, “इन निष्कर्षों से पता चलता है कि स्वास्थ्य देखभाल प्रणालियों को पारंपरिक चिकित्सक मूल्यांकन और स्वचालित मशीन सीखने की स्वतंत्र, पूरक शक्तियों का लाभ उठाने का प्रयास करना चाहिए।”

यह क्यों मायने रखता है

शोधकर्ताओं ने नोट किया कि हाइब्रिड दृष्टिकोण ने आत्महत्या के जोखिम की भविष्यवाणी करने के लिए बेहतर काम किया हो सकता है क्योंकि यह दो मॉडलों को पूरक ताकत और कमजोरियों के साथ जोड़ता है।

उदाहरण के लिए, वीएसएएल मॉडल ने कम आत्महत्या जोखिम सीमा पर बेहतर प्रदर्शन किया, जबकि सी-एसएसआरएस आमने-सामने स्क्रीनिंग ने उच्च जोखिम थ्रेसहोल्ड पर बेहतर काम किया। व्यक्तिगत सर्वेक्षण की संवेदनशीलता भी समय के साथ कम होती गई, जबकि VSAIL मॉडल में वृद्धि हुई। हाइब्रिड दृष्टिकोण ने समय के साथ लगातार प्रदर्शन दिखाया।

इस बीच, सी-एसएसआरएस स्क्रीनिंग को आत्महत्या के विचार से इनकार करने वाले रोगियों द्वारा सीमित किया जा सकता है, भले ही यह मौजूद हो, जबकि वीएसएएल मशीन लर्निंग मॉडल कम प्रभावी हो सकता है यदि किसी मरीज के पास व्यापक नैदानिक ​​​​डेटा उपलब्ध न हो।

“हमारे नतीजे बताते हैं कि ईएचआर-आधारित मॉडल में संवेदनशीलता और पीपीवी में सुधार के लिए उपलब्ध व्यक्तिगत स्क्रीनिंग डेटा शामिल होना चाहिए [positive predictive value] (विशेषकर उच्च जोखिम सीमा पर), “शोधकर्ताओं ने लिखा।

“अकेले आमने-सामने स्क्रीनिंग को लागू करने वाली अधिकांश स्वास्थ्य प्रणालियों के लिए, ईएचआर-आधारित मॉडल को शामिल करना कम जोखिम थ्रेसहोल्ड पर संवेदनशीलता में सुधार कर सकता है, अधिक विशिष्ट निर्णय कटऑफ के लिए निरंतर आउटपुट प्रदान करता है और आमतौर पर चिकित्सक मूल्यांकन द्वारा अनदेखा मामलों की पहचान करता है (उदाहरण के लिए, उदाहरण रोगी गैर-प्रकटीकरण)।”

बड़ी प्रवृत्ति

स्वास्थ्य सेवा और जीवन विज्ञान में कृत्रिम बुद्धिमत्ता और मशीन लर्निंग सर्वव्यापी हो रहे हैं, लेकिन इसके बारे में चिंताएँ हैं पूर्वाग्रह का परिचयसंपूर्ण प्रीक्लिनिकल परीक्षण का महत्व सुरक्षा समस्याओं का पता लगाने के लिए और संभावित कानूनी जोखिम.

हालाँकि, COVID-19 महामारी तेज हो गई दुनिया भर में मानसिक स्वास्थ्य संबंधी चिंताएंऔर अमेरिका में कई राज्य प्रदाताओं की कमी का सामना.

जामा नेटवर्क खुला अध्ययन के लेखकों ने नोट किया कि जहां मशीन लर्निंग मॉडल को बनाने और मान्य करने में समय लगता है, वहीं इन-पर्सन स्क्रीनिंग में भी समय, प्रशिक्षण और मानसिक स्वास्थ्य व्यवसायी संसाधन लगते हैं।

“इन-पर्सन स्क्रीनिंग और ऐतिहासिक ईएचआर डेटा के संयोजन से सुधार (विशेष रूप से पीपीवी में) चिकित्सकीय रूप से महत्वपूर्ण था, हालांकि हमारे पहनावा दृष्टिकोण की लागत और लाभ स्वास्थ्य देखभाल साइटों के बीच बहुत भिन्न होंगे,” उन्होंने लिखा। “नैदानिक ​​​​और सांख्यिकीय जोखिम भविष्यवाणी के संयोजन के वैकल्पिक तरीकों की तुलना करने और नैदानिक ​​प्रणालियों में उन्हें लागू करने के व्यावहारिक प्रभावों का विश्लेषण करने के लिए और शोध की आवश्यकता है।”



Source link

Leave a Reply