RÉSULTATS
Un processus automatisé qui combine le traitement du langage naturel et l’apprentissage automatique a identifié les personnes qui s’injectent des drogues (PWID) dans les dossiers de santé électroniques plus rapidement et plus précisément que les méthodes actuelles qui reposent sur des examens manuels des dossiers.
CONTEXTE
Actuellement, les personnes qui s’injectent des drogues sont identifiées grâce aux codes de la Classification internationale des maladies (CIM) qui sont spécifiés dans les dossiers de santé électroniques des patients par les prestataires de soins de santé ou extraits de ces notes par des codeurs humains formés qui les examinent à des fins de facturation. Mais il n’y a pas de code CIM spécifique pour l’utilisation de drogues injectables, de sorte que les prestataires et les codeurs doivent s’appuyer sur une combinaison de codes non spécifiques comme proxy pour identifier les PWID – une approche lente qui peut conduire à des inexactitudes.
MÉTHODE
Les chercheurs ont examiné manuellement 1 000 dossiers de 2003 à 2014 de personnes admises dans les hôpitaux de l’administration des anciens combattants avec Staphylococcus aureus la bactériémie, une infection courante qui se développe lorsque la bactérie pénètre dans les ouvertures de la peau, comme celles des sites d’injection. Ils ont ensuite développé et formé des algorithmes utilisant le traitement du langage naturel et l’apprentissage automatique et les ont comparés avec 11 combinaisons de proxy de codes ICD pour identifier les PWID.
Les limites de l’étude comprennent une documentation potentiellement médiocre par les prestataires. De plus, l’ensemble de données utilisé va de 2003 à 2014, mais l’épidémie de consommation de drogues injectables est depuis passée des opioïdes sur ordonnance et de l’héroïne aux opioïdes synthétiques comme le fentanyl, que l’algorithme peut manquer car l’ensemble de données où il a appris la classification n’a pas beaucoup d’exemples de cette drogue. Enfin, les résultats peuvent ne pas s’appliquer à d’autres circonstances étant donné qu’ils sont entièrement basés sur des données de l’Administration des anciens combattants.
IMPACT
L’utilisation de ce modèle d’intelligence artificielle accélère considérablement le processus d’identification des PWID, ce qui pourrait améliorer la prise de décision clinique, la recherche sur les services de santé et la surveillance administrative.
COMMENTAIRE
« En utilisant le traitement du langage naturel et l’apprentissage automatique, nous avons pu identifier les personnes qui s’injectent des drogues dans des milliers de notes en quelques minutes, contre plusieurs semaines qu’il faudrait à un examinateur manuel pour le faire », a déclaré l’auteur principal, le Dr David Goodman- Meza, professeur adjoint de médecine à la division des maladies infectieuses de la David Geffen School of Medicine de l’UCLA. « Cela permettrait aux systèmes de santé d’identifier les PWID afin de mieux allouer des ressources telles que les programmes de services de seringues et le traitement de la toxicomanie et de la santé mentale pour les personnes qui consomment des drogues. »
AUTEURS
Les autres chercheurs de l’étude sont le Dr Amber Tang, le Dr Matthew Bidwell Goetz, Steven Shoptaw et Alex Bui de l’UCLA ; le Dr Michihiko Goto de l’Université de l’Iowa et du centre médical Iowa City VA ; Dr Babak Aryanfar du système de santé VA Greater Los Angeles ; Sergio Vazquez du Dartmouth College; et le Dr Adam Gordon de l’Université de l’Utah et du système de soins de santé VA Salt Lake City. Goodman-Meza et Goetz ont également des rendez-vous avec VA Greater Los Angeles Healthcare System.
JOURNAL
L’étude est publiée dans la revue à comité de lecture Open Forum Infectious Diseases.
FINANCEMENT
Le National Institute on Drug Abuse des États-Unis a financé cette étude.
