Bij IBM Research, we onderzoeken nieuwe oplossingen voor een reeks uitdagingen in de gezondheidszorg. Een van die uitdagingen is de overbevolking van de spoedeisende hulp, wat kan leiden tot lange wachttijden voor de behandeling. Overbevolking is deels het gevolg van mensen die de ER bezoeken voor niet-spoedeisende aandoeningen in plaats van te vertrouwen op primaire artsen. Patiënten die de SEH gebruiken voor niet-spoedeisende situaties, zullen vaker terugkeren naar de SEH (Poole et al. 2016), verder bijdragen aan de overbevolking. Door de patiënten te identificeren die waarschijnlijk naar de eerste hulp zullen terugkeren, kunnen ziekenhuizen ingrijpen om de toegang tot noodzakelijke zorg buiten de eerste hulp te verzekeren en mogelijk de overbevolking te verlichten.

Een neuraal netwerkmodel

Mijn team bij IBM Research-China ging deze uitdaging aan. We hebben een nieuw neuraal netwerkmodel ontwikkeld om te voorspellen hoe vaak een persoon de SEH zal bezoeken op basis van informatie uit zijn of haar elektronische gezondheidsdossiers (EPD's). Het model is gebaseerd op een typisch terugkerend neuraal netwerk, maar in tegenstelling tot traditionele methoden voor machinaal leren, het vertoont dynamisch temporeel gedrag op basis van EPD-informatie en heeft een complexe structuur om de correlatie tussen SEH-bezoeken en andere patiëntgegevens beter te modelleren (Figuur 1). We gebruikten het model om nauwkeurige voorspellingen te doen van of en hoe vaak een persoon de SEH zal bezoeken en ontdekten dat het beter presteerde dan andere veelgebruikte technieken. Bijvoorbeeld, precisie van ons model was 6,59 procent groter dan een typisch logistisch regressiemodel bij het voorspellen of een persoon de SEH zal bezoeken en> 90 procent beter in het voorspellen van het aantal SEH-bezoeken in vergelijking met het lineaire regressiemodel. Ons model had ook ongeveer 2 procent meer precisie dan het populaire XGboost-model bij het voorspellen van het aantal SEH-bezoeken.

Door beter te voorspellen hoe vaak een persoon de SEH zal bezoeken, we hopen dat dit model ziekenhuizen in staat zal stellen prioriteren, en gerichte interventies om ervoor te zorgen dat patiënten toegang hebben tot de zorg die ze nodig hebben buiten een ER-omgeving.

Ons werk delen

Deze resultaten zijn samen met vijf andere papers van het IBM Research-team in China geaccepteerd door Medical Informatics Europe 2018, een vooraanstaande medische informaticaconferentie die deze week in Göteborg plaatsvindt, Zweden. De andere artikelen omvatten analyse van real-world bewijsmateriaal over interacties tussen behandelingssubgroepen, detectie van afwijkingen in het gebruik van medische benodigdheden, gebruik van deep learning en andere machine learning-technologieën om vragen van patiënten te beantwoorden, en voorspelling van ernstige ongunstige cardiale gebeurtenissen in het ziekenhuis met behulp van een gegeneraliseerd lineair model. Details van alle zes geaccepteerde papieren staan ​​hieronder vermeld. Onze medewerkers aan deze projecten vertegenwoordigen topziekenhuizen (Fuwai Hospital en Anzhen Hospitals) en farmaceutische topbedrijven (Pfizer). Door samen te werken met de beste partners met de beste gegevens over de meest uitdagende real-world problemen, we kunnen onderzoeksresultaten van wereldklasse genereren in China.