原始论文
摘要
背景:在过去20年里,阿片类药物过量(OD)和相关死亡在美国显著增加。现有的研究主要集中在非危重症护理环境中的人口统计学和临床风险因素。健康的社会和行为决定因素(SBDH)很少在电子健康记录(EHR)中编码,通常隐藏在非结构化的EHR记录中,这反映了临床护理和观察研究中可能存在的差距。因此,尽管SBDH是OD的重要危险因素,但却很少受到重视。自然语言处理(NLP)可以缓解这个问题。
摘要目的:本研究的目的有两个:首先,我们检查了NLP对从非结构化EHR文本中提取SBDH的有用性;其次,对于重症监护病房(ICU)入院,我们调查了危险因素,包括非致命性OD的SBDH。
方法:我们对2001年至2012年间贝斯以色列女执事医疗中心ICU患者的EHR入院数据进行了横断面分析。我们使用患者入院数据和国际疾病分类第九修订版(ICD-9)诊断来提取人口统计学、非致死性OD、SBDH和其他临床变量。除了从ICD代码中获取SBDH信息外,还开发了一个NLP模型,从EHR记录中提取6个SBDH变量,即住房不安全、失业、社会隔离、饮酒、吸烟和非法药物使用。我们采用序贯正向选择过程来选择相关的临床变量。采用多变量逻辑回归分析评估与非致死性OD的相关性,相对风险以协变量调整比值比(aOR)量化。
结果:与非致命性OD相关性最强的是药物使用障碍(aOR 8.17, 95% CI 5.44-12.27),其次是双相情感障碍(aOR 2.69, 95% CI 1.68-4.29)。其中,重度抑郁症(aOR 2.57, 95% CI 1.12-5.88)、参加医疗补助计划(aOR 2.26, 95% CI 1.43-3.58)、非法药物使用史(aOR 2.09, 95% CI 1.15-3.79)和目前使用非法药物(aOR 2.06, 95% CI 1.20-3.55)与非致命性OD风险增加密切相关。相反,黑人(aOR 0.51, 95% CI 0.28-0.94),老年组(40-64岁:aOR 0.65, 95% CI 0.44-0.96;>64岁:aOR 0.16, 95% CI 0.08-0.34)和有烟草使用障碍(aOR 0.53, 95% CI 0.32-0.89)或酒精使用障碍(aOR 0.64, 95% CI 0.42-1.00)的患者非致死性OD风险降低。此外,99.82%的SBDH信息被NLP模型识别,而ICD代码仅识别0.18%。
结论:这是第一个使用EHR记录中nlp提取的SBDH分析ICU环境中非致命性OD风险因素的研究。我们发现了一些与非致命性OD相关的危险因素,包括SBDH。在EHR笔记中对SBDH进行了丰富的描述,支持将nlp衍生的SBDH纳入OD风险评估的重要性。在ICU环境下进行更多的研究可以帮助卫生保健系统更好地了解和应对阿片类药物流行。
doi: 10.2196/32851
关键字
简介
美国的阿片类药物流行是近年来最严重的公共卫生突发事件之一,1999年至2019年阿片类药物过量(OD)死亡人数翻了两番[
].仅2019年就发生了近5万例与吸毒过量有关的死亡[ ], 2017年,包括阿片类药物使用障碍和致命过量用药在内的估计经济负担总计10210亿美元[ ].阿片类药物致死人数的急剧上升是美国人预期寿命下降的原因[ ]以及“绝望死亡”的激增[ ].阿片类药物危机是一种复杂的情况,涉及广泛的促成因素,包括健康的社会决定因素(SDOH) [ , ].SDOH是指人们出生、生活、工作和衰老的条件[
].不良SDOH可通过各种途径影响健康。例如,社会或家庭的破裂是众所周知的自杀企图的诱因[ - ].行为决定因素包括饮酒、吸烟和使用非法药物等。总之,健康的不良社会和行为决定因素(SBDH)可以定义为那些可能阻碍个人疾病管理和对现有医疗条件产生负面影响的变量[ ].多项先前的研究表明OD与SBDH之间存在很强的相关性[ , , ].分析SBDH与OD的关系可以帮助我们更好地解决OD危机。先前的研究发现,缺乏SBDH信息会显著降低医疗质量[
, ].认识到SBDH对健康结果的影响,许多先前的研究侧重于从结构化数据(如诊断代码、药物)和/或非结构化数据(如出院摘要、病程记录)中提取SBDH [ , , - ].然而,现有的电子健康记录(EHRs)往往缺乏必要的结构化SBDH信息,破坏了其在临床护理和研究环境中的使用。另一方面,电子病历记录经常描述SBDH [ ),例如,财务不安全(例如,“807美元的SSI和每月16美元的食品券”)和高风险饮酒(例如,“一次喝4杯酒或每周喝14杯酒。”).此外,电子病历记录描述了状态的变化(例如,“最近失业”或“最近购买了枪支”),这可能更准确地确定患者当前的状态。因此,我们可以通过自然语言处理(NLP)利用非结构化电子病历记录提供的丰富信息[ ].NLP已成功用于从电子病历文本中提取基本信息,以检查各种临床问题,包括阿片类药物的使用和风险评估[ , ].随着非致命性过量用药的增加,美国对这些患者的重症监护需求也在增加[
].虽然非致命OD病例导致ICU住院的比例相对较高,但对于ICU住院的OD危险因素知之甚少。[ ].这对于了解阿片类药物流行的严重程度和预测OD患者的重症护理需求至关重要。目前对OD导致ICU住院相关危险因素的评估工作尚不充分,这对于全面预防OD引起的公共卫生问题可能具有重要意义。在本研究中,我们特别关注ICU设置,以解决上述问题。为了缓解结构化SBDH信息的稀缺,我们使用NLP系统自动从EHR记录中提取SBDH信息,并将其与入院时输入的可用结构化SBDH数据集成。然后,我们调查了符合条件的ICU入院的各种人口统计学、SBDH和临床变量与非致死性OD的相关性。迄今为止,没有一项OD研究利用EHR文本提取SBDH信息,也很少关注ICU设置。我们通过(1)表明NLP系统可以在结构化数据不充分时帮助提取SBDH信息,(2)识别对描述导致ICU住院的非致命性OD至关重要的危险因素来弥合这一差距。
方法
数据集
我们的主要数据源是MIMIC-III [
它是最大的公开可用的ICU数据库之一,包括贝斯以色列女执事医疗中心12年的数据(2001-2012)。首先,我们排除了入院时年龄小于18岁的患者的入院数据。为了纳入,入学还要求至少有这三种类型中的任何一种:出院总结,社会工作记录,或康复服务记录。我们选择了这三种类型的记录,以最大限度地利用社会和行为信息进行SBDH提取:出院记录是对患者住院期间的综合总结,社会工作记录特别关注患者生活的社会性质,康复服务记录关注改善患者的功能和活动能力,以稳定他们的出院。最后的样本包括37361名患者中的48869名入院患者。中显示了数据选择过程的概述 .变量
所有基线变量被分为3类:人口学、临床和SBDH。人口统计学变量包括年龄(18-39岁、40-64岁、>64岁)、性别(男性或女性)、种族/民族(白人、黑人、西班牙裔或其他)和婚姻状况(已婚、离异、丧偶、单身或婚姻状况未知)。作为临床变量,我们考虑了药物使用障碍、双相情感障碍、烟草使用障碍、重度抑郁症、酒精使用障碍、肝硬化、慢性阻塞性肺疾病(COPD)和肾功能不全。这份全面的清单是基于早期与OD相关的研究[
- ]、临床判断和统计分析(详见“统计分析”部分)。所有临床变量均使用入院诊断表中的国际疾病分类,第9版(ICD-9)代码进行检测,并作为二分变量纳入。ICD-9代码列表可在 .对于SBDH变量,我们使用NLP来分析MIMIC-III中可用的非结构化文本数据。对于每种类型的笔记,我们选择最相关的部分来提取SBDH信息:(1)出院摘要:“社会历史”部分;(2)社工备注:“患者/家庭评估”、“既往成瘾史”、“既往病史”部分;(3)康复服务:“性与社会史”一栏。
我们使用了流行的临床NLP工具medSpaCy [
从笔记中提取这些部分。我们随机选择了一个笔记,提取了前面提到的相关章节,并对6类SBDH信息进行了标注。这个过程重复进行,直到我们达到1000个至少有一个SBDH注释的注释。这个带注释的子集后来用于训练来自transformer (BERT)模型的双向编码器表示,以在单词级别提取SBDH。伯特( ]是一种最先进的语言表示模型,在广泛的任务中成功地超越了许多其他NLP系统。我们使用训练过的模型来预测剩余音符的SBDH信息。对于有多个相同类型音符的承认,我们将最后一个音符作为该承认的代表,因为它通常包括所有前面音符的内容。我们选择的6个SBDH变量是(1)住房不安全,(2)失业,(3)社会隔离,(4)饮酒,(5)吸烟,和(6)非法药物使用。前三个是社会决定因素,是根据凯撒家庭基金会(Kaiser Family Foundation)提供的被广泛接受的社会决定因素清单选出的。
].其余是与药物使用相关的健康风险行为(即行为决定因素),这些行为是根据其临床意义和与OD的相关性选择的。中提供了注释过程、NLP模型开发和SBDH变量提取过程的详细信息 .除了nlp衍生的SBDH变量外,我们还从结构化数据中确定了社会决定因素。我们使用了来自患者诊断的ICD-9代码[
]构建这3个SBDH变量:(1)住房不安全,(2)失业,(3)社会孤立。这些后来与nlp派生的SBDH变量集成,并在任何不匹配的情况下进行优先级排序。例如,如果NLP系统将“住房不安全”检测为入院的“否”,而我们从入院的诊断代码中获得“是”,我们将“是”视为正确的值。最终,有41,669例入院患者(41,669/48,869,85.27%)至少有一个SBDH变量。 用简要的描述和例子说明了6个SBDH变量。如果承认没有提及SBDH信息,SBDH变量被编码为“未知”。例如,如果入院记录中没有提到患者的住房状况,则无家可归者被认为是“未知的”。除了这3个SBDH变量外,我们还使用ICD-9代码提取了保险提供商(私人、医疗补助、医疗保险、其他政府或自付)信息。SBDH变量 | 描述和示例 | |
住房紧张 | ||
是的 | 缺乏住房或稳定的庇护所。例子:无家可归的人他和朋友住在一起。 | |
没有 | 有住房。例子:生活在[**地点**]。 | |
失业 | ||
是的 | 患者无收入来源或失业。例:病人以前为国家彩票系统工作,目前是失业. | |
没有 | 病人有工作或收入来源。例:他在[**公司**]工作。 | |
社会隔离 | ||
是的 | 缺乏社会支持或社区参与。例如:生活独自一人(* * * *位置)。 | |
没有 | 存在社会支持。例:他是结婚了而且生活和他的妻子。 | |
使用酒精 | ||
当前的 | 患者目前饮酒。例:两杯酒每晚,周末喝3瓶。 | |
前 | 病人有饮酒史。例:他有…的病史酒精滥用。 | |
没有一个 | 病人从未饮酒。例:她对此予以否认使用酒精. | |
吸烟 | ||
当前的 | 病人目前吸烟。例子:他抽一包烟每星期。 | |
前 | 病人有吸烟史。例:病人有…病史吸烟. | |
没有一个 | 患者从未吸烟。例:她是一个不抽烟的人. | |
非法使用药物 | ||
当前的 | 患者使用非处方受控药物。例如:偶尔大麻使用。 | |
前 | 患者有使用非处方管制药物的历史。示例:有一个h/o一个的可卡因而且大麻滥用。 | |
没有一个 | 病人从未使用过非处方药,比如可卡因,大麻。例子:不喝酒或娱乐药物. |
一个H /o:历史。
结果
结果为非致死性OD,使用ICD-9编码识别[
].统计分析
首先,我们对所有变量进行相关和共线性分析。相关图与方差膨胀因子[
]在变量之间没有多重共线性。对于临床变量,基于早期工作和任务相关性,我们选择了14种共病:创伤后应激障碍、重度抑郁症、双相情感障碍、精神分裂症、酒精使用障碍、药物使用障碍、烟草使用障碍、丙型肝炎、糖尿病、充血性心力衰竭、阻塞性睡眠呼吸暂停、慢性阻塞性肺病、肝硬化和肾功能不全。我们建立了逻辑回归模型,并采用顺序前向选择程序[ ]以确定与OD相关的最重要的临床变量。最终的清单包括8个临床变量:药物使用障碍、双相情感障碍、烟草使用障碍、重度抑郁症、酒精使用障碍、肝硬化、COPD和肾功能不全。我们使用逻辑回归模型来检验非致死性OD与人口学、SBDH和临床变量的关系。这是根据95% ci的调整比值比(aOR)进行评估的。我们还评估了95% ci的粗比值比(OR)。统计学意义在P< . 05。Hosmer-Lemeshow检验结果与我们的模型(χ8= 10.39;P= .24)。本研究所有统计分析均使用R(4.0.2版本)进行。
结果
描述性分析
介绍了我们的队列(n=48,869)的特征。我们的样本主要由男性(27,436/48,869,56.14%)和白人(35,058/48,869,71.74%)组成。64岁以上患者占多数(25276 / 48869,51.72%)。在临床变量中,肾功能不全最常见(8158/ 48869,16.69%),其次是COPD(5674/ 48869, 11.61%)和酒精使用障碍(4121/ 48869,8.43%)。在我们的队列中,我们观察到7.28%(3559/48,869)的患者失业,13.35%(6523/48,869)的患者社会孤立,0.82%(402/48,869)的患者住房不安全。我们发现了171例(171/48,869,0.35%)非致死性OD。
变量 | 整体(n = 48869) | 与OD一个(n = 171) | 无OD (n=48,698) | ||||
年龄b(年),n (%) | |||||||
< 40 | 4715 (9.65) | 62 (36.26) | 4653 (9.55) | ||||
40 - 64 | 18878 (38.63) | 92 (53.80) | 18786 (38.58) | ||||
> 64 | 25276 (51.72) | 17 (9.94) | 25259 (51.87) | ||||
性别、bn (%) | |||||||
男性 | 27436 (56.14) | 100 (58.48) | 27336 (56.13) | ||||
女 | 21433 (43.86) | 71 (41.52) | 21362 (43.87) | ||||
种族/民族,bn (%) | |||||||
白色 | 35058 (71.74) | 127 (74.27) | 34931 (71.73) | ||||
黑色的 | 4694 (9.61) | 13 (7.60) | 4681 (9.61) | ||||
拉美裔 | 1664 (3.40) | 8 (4.68) | 1656 (3.40) | ||||
其他 | 7453 (15.25) | 23日(13.45) | 7430 (15.26) | ||||
婚姻状况、bn (%) | |||||||
结婚了 | 23378 (47.84) | 42 (24.56) | 23336 (47.92) | ||||
离婚了 | 3664 (7.50) | 22日(12.87) | 3642 (7.48) | ||||
丧偶的 | 7018 (14.36) | 6 (3.51) | 7012 (14.40) | ||||
单 | 12329 (25.23) | 78 (45.61) | 12251 (25.16) | ||||
未知的 | 2480 (5.07) | 23日(13.45) | 2457 (5.04) | ||||
临床变量,bn (%) | |||||||
吸毒障碍 | 1493 (3.06) | 80 (46.78) | 1413 (2.90) | ||||
双相情感障碍 | 1009 (2.06) | 28日(16.37) | 981 (2.01) | ||||
烟草使用障碍 | 3274 (6.70) | 20 (11.70) | 3254 (6.68) | ||||
重度抑郁症 | 298 (0.61) | 7 (4.09) | 291 (0.60) | ||||
酒精使用障碍 | 4121 (8.43) | 37 (21.64) | 4084 (8.39) | ||||
肝硬化 | 2431 (4.97) | 19日(11.11) | 2412 (4.95) | ||||
慢性阻塞性肺病c | 5674 (11.61) | 18 (10.53) | 5656 (11.61) | ||||
肾功能不全 | 8158 (16.69) | 12 (7.02) | 8146 (16.73) | ||||
社会决定因素d:保险公司,n (%) |
|||||||
私人 | 15371 (31.45) | 43 (25.15) | 15328 (31.48) | ||||
医疗补助计划 | 4307 (8.81) | 60 (35.09) | 4247 (8.72) | ||||
医疗保险 | 27365 (56.00) | 48 (28.07) | 27317 (56.09) | ||||
政府(别人) | 1324 (2.71) | 14 (8.19) | 1310 (2.69) | ||||
自费 | 502 (1.03) | 6 (3.50) | 496 (1.02) | ||||
社会决定因素d:住房不安全,n (%) | |||||||
是的 | 402 (0.82) | 10 (5.85) | 392 (0.80) | ||||
没有 | 27119 (55.49) | 92 (53.80) | 27027 (55.50) | ||||
未知的 | 21348 (43.69) | 69 (40.35) | 21279 (43.70) | ||||
社会决定因素d:失业率,n (%) | |||||||
是的 | 3559 (7.28) | 37 (21.64) | 3522 (7.22) | ||||
没有 | 12671 (25.93) | 31 (18.13) | 12640 (25.96) | ||||
未知的 | 32639 (66.79) | 103 (60.23) | 32536 (66.82) | ||||
社会决定因素d:社会孤立,n (%) | |||||||
是的 | 6523 (13.35) | 23日(13.45) | 6500 (13.35) | ||||
没有 | 24001 (49.11) | 86 (50.29) | 23915 (49.11) | ||||
未知的 | 18345 (37.54) | 62 (36.26) | 18283 (37.54) | ||||
物质使用e:酒精使用量,n (%) | |||||||
当前的 | 14150 (28.96) | 70 (40.94) | 14080 (28.91) | ||||
前 | 2333 (4.77) | 9 (5.26) | 2324 (4.77) | ||||
没有一个 | 15378 (31.47) | 40 (23.39) | 15338 (31.50) | ||||
未知的 | 17008 (34.80) | 52 (30.41) | 16956 (34.82) | ||||
物质使用e:吸烟,n (%) | |||||||
当前的 | 6954 (14.23) | 62 (36.26) | 6892 (14.15) | ||||
前 | 12032 (24.62) | 23日(13.45) | 12009 (24.66) | ||||
没有一个 | 13963 (28.57) | 30 (17.54) | 13933 (28.61) | ||||
未知的 | 15920 (32.58) | 56 (32.75) | 15864 (32.58) | ||||
物质使用e:非法药物使用,n (%) | |||||||
当前的 | 1796 (3.67) | 49 (28.65) | 1747 (3.59) | ||||
前 | 1362 (2.79) | 26日(15.20) | 1336 (2.74) | ||||
没有一个 | 13908 (28.46) | 31 (18.13) | 13877 (28.50) | ||||
未知的 | 31803 (65.08) | 65 (38.02) | 31738 (65.17) |
一个OD:阿片类药物过量。
b从结构化数据中提取的变量。
cCOPD:慢性阻塞性肺病。
d仅从结构化数据(保险提供商)或结构化数据和非结构化文本注释(自然语言处理[NLP])中提取的变量。
e从非结构化文本注释(NLP)中提取的变量。
在nlp衍生的6个SBDH变量中,只有住房不安全、失业和社会孤立与ICD-9诊断代码相关。与nlp衍生的变量相比,这些结构化变量很少被编码。例如,使用ICD-9代码,我们发现了258份“住房不安全”申请,而NLP系统检测到402份。在“失业”方面,ICD-9编码为20,NLP系统为10876。更引人注目的是,对于“社会隔离”,只有4名入院患者的诊断中有相关的ICD-9代码,而NLP系统发现了6523名入院患者。由于存在显著的患病率差距,我们没有将这两种类型的SBDH变量的质量并排进行比较。总体而言,结构化SBDH变量仅占SBDH变量的0.18%。这清楚地表明,当结构化数据不够时,NLP可以用于从EHR笔记中提取SBDH信息。这也有助于减少仅使用结构化数据带来的偏见。
多变量Logistic回归分析
几个因素与非致命性OD密切相关(
).在人口统计学危险因素中,黑人(aOR 0.51, 95% CI 0.28-0.94)和老年人群(40-64岁:aOR 0.65, 95% CI 0.44-0.96;>64岁:aOR 0.16, 95% CI 0.08-0.34)与白种人和年轻患者相比,患病几率较低。在8个临床变量中,5个为非致死性OD的强危险因素。我们观察到药物使用障碍(aOR 8.17, 95% CI 5.44-12.27)、双相情感障碍(aOR 2.69, 95% CI 1.68-4.29)和重度抑郁症(aOR 2.57, 95% CI 1.12-5.88)患者过量用药的几率增加。有趣的是,烟草使用障碍(aOR 0.53, 95% CI 0.32-0.89)和酒精使用障碍(aOR 0.64, 95% CI 0.42-1.00)的患病几率降低。在SBDH变量中,与有私人医疗保险的人相比,有医疗补助的人有更高的几率(aOR 2.26, 95% CI 1.43-3.58)。既往(aOR 2.09, 95% CI 1.15-3.79)和目前(aOR 2.06, 95% CI 1.20-3.55)使用非法药物也与结局密切相关。变量 | 原油或一个 | 95%可信区间 | 优势b | 95%可信区间 | |
年龄(年) | |||||
< 40 | 裁判c | 裁判 | 裁判 | 裁判 | |
40 - 64 | 0.37 | 0.27 - -0.51 | 0.65 | 0.44 - -0.96 | |
> 64 | 0.05 | 0.03 - -0.08 | 0.16 | 0.08 - -0.34 | |
性别 | |||||
男性 | 裁判 | 裁判 | 裁判 | 裁判 | |
女 | 0.91 | 0.67 - -1.23 | 1.13 | 0.81 - -1.58 | |
种族/民族 | |||||
白色 | 裁判 | 裁判 | 裁判 | 裁判 | |
黑色的 | 0.76 | 0.41 - -1.30 | 0.51 | 0.28 - -0.94 | |
拉美裔 | 1.33 | 0.60 - -2.55 | 0.69 | 0.33 - -1.45 | |
其他人 | 0.85 | 0.53 - -1.30 | 0.59 | 0.35 - -0.98 | |
婚姻状况 | |||||
结婚了 | 裁判 | 裁判 | 裁判 | 裁判 | |
离婚了 | 3.36 | 1.97 - -5.57 | 1.56 | 0.89 - -2.74 | |
丧偶的 | 0.48 | 0.18 - -1.04 | 0.76 | 0.30 - -1.88 | |
单 | 3.54 | 2.44 - -5.19 | 1.03 | 0.65 - -1.61 | |
未知的 | 5.20 | 3.08 - -8.58 | 2.85 | 1.55 - -5.24 | |
临床变量 | |||||
吸毒障碍 | 29.42 | 21.65 - -39.90 | 8.17 | 5.44 - -12.27 | |
双相情感障碍 | 9.52 | 6.20 - -14.12 | 2.69 | 1.68 - -4.29 | |
烟草使用障碍 | 1.85 | 1.12 - -2.88 | 0.53 | 0.32 - -0.89 | |
重度抑郁症 | 7.10 | 2.99 - -14.16 | 2.57 | 1.12 - -5.88 | |
酒精使用障碍 | 3.02 | 2.06 - -4.30 | 0.64 | 0.42 - -1.00 | |
肝硬化 | 2.40 | 1.44 - -3.77 | 1.65 | 0.97 - -2.82 | |
慢性阻塞性肺病d | 7.10 | 2.99 - -14.16 | 1.65 | 0.97 - -2.81 | |
肾功能不全 | 3.02 | 2.06 - -4.30 | 0.62 | 0.33 - -1.15 | |
社会决定因素:保险类型 | |||||
私人 | 裁判 | 裁判 | 裁判 | 裁判 | |
医疗补助计划 | 5.04 | 3.41 - -7.50 | 2.26 | 1.43 - -3.58 | |
医疗保险 | 0.63 | 0.41 - -0.95 | 1.34 | 0.81 - -2.23 | |
政府(别人) | 3.81 | 2.01 - -6.80 | 1.90 | 0.99 - -3.65 | |
自费 | 4.31 | 1.64 - -9.42 | 1.83 | 0.73 - -4.56 | |
社会决定因素:住房不安全 | |||||
没有 | 裁判 | 裁判 | 裁判 | 裁判 | |
是的 | 7.49 | 3.63 - -13.80 | 0.98 | 0.47 - -2.06 | |
未知的 | 0.95 | 0.69 - -1.30 | 0.89 | 0.60 - -1.33 | |
社会决定因素:失业 | |||||
没有 | 裁判 | 裁判 | 裁判 | 裁判 | |
是的 | 4.28 | 2.66 - -6.95 | 1.10 | 0.65 - -1.87 | |
未知的 | 1.29 | 0.87 - -1.96 | 0.73 | 0.47 - -1.14 | |
社会决定因素:社会孤立 | |||||
没有 | 裁判 | 裁判 | 裁判 | 裁判 | |
是的 | 0.98 | 0.61 - -1.53 | 0.97 | 0.59 - -1.60 | |
未知的 | 0.94 | 0.68 - -1.31 | 1.01 | 0.66 - -1.53 | |
物质使用:酒精使用 | |||||
没有一个 | 裁判 | 裁判 | 裁判 | 裁判 | |
前 | 1.48 | 0.67 - -2.92 | 0.66 | 0.30 - -1.44 | |
当前的 | 1.91 | 1.30 - -2.84 | 1.11 | 0.71 - -1.72 | |
未知的 | 1.18 | 0.78 - -1.79 | 1.05 | 0.62 - -1.78 | |
物质使用:吸烟 | |||||
没有一个 | 裁判 | 裁判 | 裁判 | 裁判 | |
前 | 0.89 | 0.51 - -1.53 | 0.92 | 0.52 - -1.65 | |
当前的 | 4.18 | 2.72 - -6.55 | 1.40 | 0.84 - -2.33 | |
未知的 | 1.64 | 1.06 - -2.59 | 1.12 | 0.64 - -1.96 | |
物质使用:非法药物使用 | |||||
没有一个 | 裁判 | 裁判 | 裁判 | 裁判 | |
前 | 8.71 | 5.12 - -14.7 | 2.09 | 1.15 - -3.79 | |
当前的 | 12.56 | 8.03 - -19.93 | 2.06 | 1.20 - -3.55 | |
未知的 | 0.92 | 0.60 - -1.42 | 1.05 | 0.65 - -1.70 |
一个OR:优势比。
baOR:调整的优势比。
c裁判:参考。
dCOPD:慢性阻塞性肺疾病。
讨论
主要研究结果
据我们所知,这是第一个检查非致命性OD导致ICU入院相关风险因素的研究。在美国,对重症监护患者OD特征的需求正在上升[
, ],本研究通过从大型ICU数据库中识别非致命性OD的危险因素部分解决了这一问题。新颖之处还在于使用了最先进的NLP系统,由于结构化数据表示不足,该系统利用非结构化EHR笔记进行基本的SBDH提取。越来越多的文献表明,SBDH可以强烈影响患者的健康和结果[ ].例如,SBDH变量已被证明与自杀企图密切相关[ ],死亡率[ ],以及精神健康诊断[ ].卫生保健系统面临的挑战是建立能够识别SBDH的方法,并在护理点使用它们来告知临床行动[ , ].我们的工作表明,在这方面,使用NLP从EHR文本中检测SBDH信息是一个可行的选择。根据我们的分析,在ICU环境中,多个SBDH变量与非致死性OD显著相关。我们观察到,经济不稳定(失业)的患者更有可能过量用药,但无家可归和社会孤立几乎没有带来额外的风险。在行为决定因素中,当前的酗酒者和吸烟者有较高的过量几率,而前用户的几率降低了。在这两种情况下,非法药物使用与非致命性吸毒过量密切相关前而且当前的用户。在临床变量中,烟草使用障碍和酒精使用障碍与非致死性OD有很强的负相关。我们假设,大多数被诊断患有此类疾病的患者已经接受了额外的社会咨询或临床支持,这有助于他们建立更好的健康和行为实践。然而,我们在MIMIC-III中没有足够的相关入院数据来验证这一假设;需要进一步的研究来确定这一观察结果的原因。
限制
我们的研究有几个局限性。EHR数据容易因供应商文档而变化,可能包含不完整的SBDH信息[
].此外,仅使用ICD-9代码来识别不同的医疗状况可能导致相应变量的值不准确或具有误导性。然而,结构化数据通常明显缺乏SBDH信息(本研究仅为0.18%),使得基于nlp的方法成为人口研究的有价值的集成。最后,我们的数据显示非致命性OD病例的患病率非常低(171/48,869,0.35%),而MIMIC (ICU)数据库可能无法描述一般门诊/住院医院的情况。虽然我们的研究描述了一个重要的方法过程,可以确定需要考虑的重要SBDH因素,这是必要的第一步,但还需要进一步研究后续步骤,即如何最好地向提供者分享和翻译这些信息,以便他们能够有效地和切实地使用这些发现。在我们未来的工作中,我们希望对用于SBDH提取的NLP系统预测进行建模,以及如何更好地将它们与预测器评估指标(如OR)联系起来。
结论
这是第一个评估导致ICU入院的非致命性OD相关风险因素的工作。我们的工作得出结论,数据驱动的NLP系统在从非结构化EHR文本数据中自动提取SBDH信息方面非常有益。我们还表明,分析重症监护入院对更好地了解阿片类药物流行至关重要。利用NLP来利用丰富的EHR记录和在重症监护环境中进行更多的流行病学研究,可能有助于对OD危机进行更深入的分析,从而开发更好的风险评估工具和有效的预防系统。
致谢
我们感谢Sung Minhee, Kim Jimin和陈坤的宝贵意见。这项工作得到了美国国立卫生研究院(NIH) R01DA045816拨款的部分支持。本文内容不代表美国国立卫生研究院的观点。
利益冲突
没有宣布。
国际疾病分类,临床变量第九版代码。
DOCX文件,36kb
自然语言处理模型训练与评估。
DOCX文件,23kb参考文献
- 过量用药死亡率。国家药物滥用研究所。2017.URL:https://www.drugabuse.gov/drug-topics/trends-statistics/overdose-death-rates[2021-10-16]访问
- 阿片类药物过量危机。国家药物滥用研究所。URL:https://www.drugabuse.gov/drug-topics/opioids/opioid-overdose-crisis[2021-10-16]访问
- 罗峰,李敏,Florence C.阿片类药物使用障碍和致命阿片类药物过量的州级经济成本-美国,2017。MMWR Morb Mortal Wkly Rep 2021年4月16日;70(15):541-546 [免费全文] [CrossRef] [Medline]
- Dowell D, Arias E, Kochanek K, Anderson R, Guy GP, Losby JL,等。阿片类药物中毒对美国2000-2015年预期寿命变化的贡献中国医学杂志2017 9月19日;318(11):1065-1067 [免费全文] [CrossRef] [Medline]
- 案例A, Deaton A. 21世纪的死亡率和发病率。布鲁金斯Pap经济法案2017;2017:397-476 [免费全文] [CrossRef] [Medline]
- Dasgupta N, Beletsky L, Ciccarone D.阿片类药物危机:解决其社会和经济决定因素并不容易。美国医学公共卫生杂志2018年2月;108(2):182-186。[CrossRef]
- 沃尔科夫·ND,布兰科·C.不断变化的阿片类药物危机:发展、挑战和机遇。Mol精神病学2021年1月;26(1):218-233 [免费全文] [CrossRef] [Medline]
- 科尔BL,菲尔丁JE。健康影响评估:帮助决策者了解卫生保健以外的健康的工具。公共卫生2007;28:393-412。[CrossRef] [Medline]
- Kposowa AJ。失业和自杀:美国国家纵向死亡率研究中预测自杀的社会因素的队列分析。精神医学2001 Jan;31(1):127-138。[CrossRef] [Medline]
- 杜贝SR,安达RF,费利蒂VJ,查普曼DP,威廉姆森DF,贾尔斯WH。童年虐待、家庭功能障碍和一生中企图自杀的风险:来自不良童年经历研究的发现。中国医学杂志2001年12月26日;26(24):3089-3096。[CrossRef] [Medline]
- Blosnich JR, Montgomery AE, Dichter ME, Gordon AJ, Kavalieratos D, Taylor L,等。社会决定因素和退伍军人的自杀意念和企图:电子健康记录数据的横断面分析。J Gen Intern Med 2020 Jun;35(6):1759-1767 [免费全文] [CrossRef] [Medline]
- Feller DJ, Bear Don’t Walk Iv OJ, Zucker J, Yin MT, Gordon P, Elhadad N.利用结构化和自由文本临床数据检测健康的社会和行为决定因素。app clinin Inform 2020年1月04日;11(1):172-181 [免费全文] [CrossRef] [Medline]
- Cantu R, Fields-Johnson D, Savannah S.将健康的社会决定因素方法应用于阿片类药物流行病。健康促进实践2020年7月26日1524839920943207。[CrossRef] [Medline]
- Gottlieb LM, Tirozzi KJ, Manchanda R, Burns AR, Sandel MT.向上游移动电子病历:纳入健康的社会决定因素。美国预防医学杂志2015年2月;48(2):215-218。[CrossRef] [Medline]
- Weir CR, Staggers N, Gibson B, Doing-Harris K, Barrus R, Dunlea R.在EHR设计中支持以患者为中心的医疗家庭护理所必需的上下文信息的关键属性的定性评估。BMC Med Inform Decis Mak 2015年4月16日;15:30 [免费全文] [CrossRef] [Medline]
- 戈特利布L,桑德尔M,阿德勒NE。收集和应用关于卫生保健环境中健康的社会决定因素的数据。美国医学杂志实习生2013年6月10日;173(11):1017-1020。[CrossRef] [Medline]
- 小布洛斯尼奇,蒙哥马利AE,泰勒LD,迪希特ME。在退伍军人健康管理局接受护理的男性和女性患者中的不利社会因素和全因死亡率2020年12月;141:106272。[CrossRef] [Medline]
- Blosnich JR, Marsiglio MC, Dichter ME, Gao S, Gordon AJ, Shipherd JC,等。健康的社会决定因素对变性退伍军人医疗状况的影响。美国医学杂志2017年4月;52(4):491-498 [免费全文] [CrossRef] [Medline]
- Dorr D, Bejan CA, Pizzimenti C, Singh S, Storer M, Quinones A.用自然语言处理识别与健康社会决定因素相关的重大问题患者。种马健康技术通知2019年8月21日;264:1456-1457。[CrossRef] [Medline]
- 刘峰,翁超,余华。自然语言处理、电子健康记录与临床研究。入:Richesson R, Andrews JE,编辑。临床研究信息学。纽约州纽约市:施普林格出版公司;2012:293 - 310。
- Carrell DS, Cronkite D, Palmer RE, Saunders K, Gross DE, Masters ET,等。使用自然语言处理来识别处方阿片类药物的使用问题。国际医学杂志2015年12月;84(12):1057-1064。[CrossRef] [Medline]
- 哈勒IV,雷尼尔CM,希茨P,帕尔彻JA,艾略特TE。自动诊断、顽固性、风险、疗效(DIRE)阿片类药物风险评估工具的验证。《以患者为中心的研究与评论》2016年8月15日;3(3):227。[CrossRef]
- Stevens JP, Wall MJ, Novack L, Marshall J, Hsu DJ, Howell MD.美国阿片类药物过量的重症监护危机。年鉴ATS 2017年12月;14(12):1803-1809。[CrossRef]
- Pfister GJ, Burkes RM, Guinn B, Steele J, Kelley RR, Wiemken TL,等。阿片类药物过量导致重症监护病房入院:流行病学和结果。J急救护理2016年10月;35:29-32。[CrossRef] [Medline]
- 李志强,李志强,李志强,李志强,等。这是一个免费访问的重症监护数据库。科学数据2016 5月24日;3(1):160035 [免费全文] [CrossRef] [Medline]
- Bohnert ASB, Valenstein M, Bair MJ, Ganoczy D, McCarthy JF, Ilgen MA,等。阿片类药物处方模式与阿片类药物过量相关死亡之间的关联。中国医学杂志2011年4月06日;305(13):1315-1321。[CrossRef] [Medline]
- Dunn KM, Saunders KW, Rutter CM, Banta-Green CJ, Merrill JO, Sullivan MD等。阿片类药物处方治疗慢性疼痛和过量:一项队列研究。安实习医学2010年1月19日;152(2):85-92 [免费全文] [CrossRef] [Medline]
- Campbell CI, Bahorik AL, VanVeldhuisen P, Weisner C, Rubinstein AL, Ray GT.使用处方阿片类药物登记来检查综合卫生系统中的阿片类药物滥用和过量。2018年5月;110:31-37 [免费全文] [CrossRef] [Medline]
- 葛兰兹,郭志强,郭志强,陈志强,等。处方慢性阿片类药物治疗患者阿片类药物过量的两年风险预测模型。J Gen实习医学2018年10月29日;33(10):1646-1653 [免费全文] [CrossRef] [Medline]
- medspacy。GitHub。URL:https://github.com/medspacy/medspacy[2021-10-16]访问
- Devlin J, Chang MW, Lee K, Toutanova K. BERT:深度双向转换器的语言理解预训练。2019年计算语言学协会北美分会会议论文集:人类语言技术,第1卷(长论文和短论文)2019:4171-4186 [免费全文] [CrossRef]
- Heiman HJ, Artiga S.超越卫生保健:社会决定因素在促进健康和卫生公平中的作用。凯撒家庭基金会,2018年5月10日。URL:https://www.kff.org/racial-equity-and-health-policy/issue-brief/beyond-health-care-the-role-of-social-determinants-in-promoting-health-and-health-equity/[2021-10-16]访问
- Kessler RC, Bauer MS, Bishop TM, Demler OV, Dobscha SK, Gildea SM,等。在退伍军人健康管理系统中使用行政数据预测精神病住院后的自杀。前沿精神病学2020年5月6日;11:390 [免费全文] [CrossRef] [Medline]
- Glanz J, Binswanger I, shetterlysm, Narwaney KJ, Xu S.阿片类药物剂量变异性与成人阿片类药物过量的关系美国医学会网络公开赛2019 april 05;2(4):e192613 [免费全文] [CrossRef] [Medline]
- O ' brien RM。关于方差通胀因素的经验法则的警告。Qual Quant 2007 3月13日;41(5):673-690。[CrossRef]
- 王晓明,王志强,王志强,等。大尺度特征选择方法的比较研究。机器智能与模式识别1994;[CrossRef]
- Schickedanz A, Hamity C, Rogers A, Sharp A, Jackson A.在大型综合卫生系统中筛查健康社会决定因素的临床医生经验和态度。Med Care 2019 Jun;57增刊6增刊2:S197-S201 [免费全文] [CrossRef] [Medline]
- Horwitz LI, Chang C, arilla HN, Knickman JR.卫生系统在卫生社会决定因素方面的投资量化,按部门,2017-19。卫生Aff (Millwood) 2020年2月;39(2):192-198。[CrossRef] [Medline]
- 吴伟科普,王晓明,王晓明,王晓明。基于数据质量评估的电子病历数据复用方法。EGEMS(华盛顿特区)2017九月04;5(1):14 [免费全文] [CrossRef] [Medline]
缩写
优势:调整优势比 |
伯特:来自变压器的双向编码器表示 |
慢性阻塞性肺病:慢性阻塞性肺疾病 |
电子健康档案:电子健康记录 |
ICD-9:《国际疾病分类》第九版 |
加护病房:重症监护室 |
国家卫生研究院:美国国立卫生研究院 |
NLP:自然语言处理 |
OD:阿片类药物过量 |
或者:优势比 |
SBDH:健康的社会和行为决定因素 |
SDOH:健康的社会决定因素 |
G·艾森巴赫(G Eysenbach)编辑;提交12.08.21;J Coquet同行评审;对作者05.09.21的评论;修订版本于23.09.21收到;接受26.09.21;发表08.11.21
版权©Avijit Mitra, Hiba Ahsan,李文君,刘伟松,Robert D Kerns, Jack Tsai, William Becker, David A Smelson, Hong Yu。最初发表于JMIR医学信息学(https://medinform.www.mybigtv.com), 08.11.2021。
这是一篇开放获取的文章,根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR医学信息学上的原创作品。必须包括完整的书目信息,https://medinform.www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。