预测精神病再入院证明对人类来说很难对机器来说也很难

导读机器学习在根据叙述性的出院总结和其他临床记录预测出院精神病患者的再入院方面是公平到中等的。尽管如此,研究人员发现,平均而言,一些人

机器学习在根据叙述性的出院总结和其他临床记录预测出院精神病患者的再入院方面是公平到中等的。

尽管如此,研究人员发现,平均而言,一些人工智能模型在艰巨的任务中比专家精神科医生做得更好。

麻省总医院和麻省理工学院和麻省大学的资深作者 Roy Perlis 医学博士及其同事使用来自 5,000 多名患者的 EHR 数据和笔记来开发和测试几种预测性 AI 模型。

最好的基于语言的表演者使用了出院摘要中的标准化关键字集或“主题”。这些是指合并症(例如骨科损伤)、社会心理特征(家庭关系、无家可归)症状(精神病、药物滥用)和药物治疗。

Perlis 和团队报告说,该模型的性能优于或至少与依赖于词袋集或编码数据的模型相同。尽管如此,与预测非精神病院入院率的模型相比,作者评论其“明显更差”的表现也令人失望。

“我们要强调,这可能反映了任务的挑战性;事实上,强烈预测再入院的临床特征仍不清楚,并且没有经过验证的生物标志物或疾病进展的标志物,”他们写道。

一个有趣的附带发现:研究人员包括一个研究组,将非临床医生的评分者与医生和算法进行对比——非临床医生的表现明显优于专家。

此外,非临床医生参与者在给予反馈时提高了他们的表现,而临床医生则没有。

对此,玻璃市和合著者评论说,实验任务“不同于标准的临床实践”。

“[I] 可能是这样,非专家更容易适应新任务,因为他们的错误先验更少,而专家更难从他们现有的框架中转移,”作者写道。“后一组观察结果与数十年来的先前证据一致,即临床医生的预测与现实世界的结果相比,通常不会大大超过机会。”

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。