Traduci
${alt}
di Michael Haederle

Il diavolo è nei dati

La revisione dell'apprendimento automatico di milioni di visite ai pazienti rivela molti casi non rilevati di autolesionismo

Quando si tratta di dare un senso ai big data, a volte è difficile vedere la foresta per gli alberi.

Ma Christophe Lambert, PhD, e i suoi colleghi del Center for Global Health dell'UNM hanno recentemente utilizzato un metodo di apprendimento automatico per rilevare uno schema inquietante nascosto in milioni di documenti di fatturazione dell'assicurazione medica.

In un articolo pubblicato il mese scorso su Giornale dell'American Medical Informatics Association, il team ha riferito di aver scoperto che i casi di autolesionismo tra le persone con gravi malattie mentali in cerca di cure mediche potrebbero effettivamente essere fino a 19 volte superiori a quanto riportato nei registri di fatturazione.

La scoperta suggerisce che i medici e altri fornitori di cure spesso assegnano codici di fatturazione standardizzati per l'assistenza che forniscono, oscurando la possibilità che la lesione di un paziente possa essere effettivamente dovuta all'autolesionismo, piuttosto che a un incidente.

La scoperta suggerisce che questo potrebbe avere un impatto sulla cura del paziente.

"I nostri prossimi studi suggeriscono che una persona corre un rischio più che triplice di autolesionismo se l'ha già fatto una volta", afferma Lambert, professore associato presso il Dipartimento di Medicina Interna. Quindi, nel cercare di prevenire ulteriori atti di autolesionismo o suicidio, "Se non lo stai codificando, significa che il trattamento futuro del paziente potrebbe essere compromesso dal non avere quelle informazioni importanti nella loro storia", dice.

Lambert e il suo team hanno iniziato il loro studio con un database anonimo contenente le cartelle cliniche di oltre 130 milioni di americani dal 2003 al 2016. Hanno ristretto la loro ricerca a un sottoinsieme di circa 10 milioni di pazienti con diagnosi di gravi malattie mentali, incluso il disturbo depressivo maggiore , disturbo bipolare, schizofrenia e disturbo schizoaffettivo - persone che sono già considerate a maggior rischio di autolesionismo.

L'apprendimento automatico, in cui un computer applica un algoritmo per analizzare rapidamente un grande set di dati, può identificare modelli che non sono immediatamente evidenti agli esseri umani. In questo caso, i ricercatori hanno fornito al computer 185,000 variabili da applicare alle visite ospedaliere e al pronto soccorso di ciascun paziente.

"In realtà l'abbiamo buttato nel lavello della cucina", dice Lambert. "In pratica era tutto ciò che accadeva in quelle visite, comprese tutte le procedure e i codici diagnostici". Tra i risultati emersi c'era che i casi di probabile autolesionismo erano drasticamente sottostimati.

C'erano anche discrepanze inaspettate tra i casi che sono stati valutati come autolesionismo e quelli che non lo erano.

Le persone che sono state trattate per intossicazione e avvelenamento, incidenti, asfissia, riparazione chirurgica del torace e della testa, ferita al polso, pensieri autolesionisti, depressione e psicoterapia avevano maggiori probabilità di essere codificate per autolesionismo rispetto a quelle che presentavano disturbo da uso di sostanze, avvelenamento da eroina , disturbi neurologici, incidenti stradali o cadute.

Ciò suggerisce che parte della discrepanza potrebbe essere dovuta a ciò che i fornitori di motivazione attribuiscono a un particolare comportamento, afferma Lambert.

"Vediamo in media quando qualcuno si fa male a causa di un'overdose di oppiacei o di farmaci che hanno effetti piacevoli - è meno probabile che lo codifichino come autolesionismo", dice Lambert. Ma una valutazione di autolesionismo è più probabile quando qualcuno ha assunto una dose eccessiva di aspirina o sonniferi, presumibilmente con intento autolesionista.

"I maschi hanno anche maggiori probabilità di avere l'autolesionismo sottocodificato rispetto alle femmine", ha aggiunto Lambert, "e gli stereotipi secondo cui gli uomini hanno meno probabilità di rivelare o ottenere aiuto rispetto alle donne sono stati contraddetti dai dati - sembra probabile che sia un pregiudizio nella codifica dei fornitori in base al sesso dei loro pazienti."

Quando è stata rivelata l'autolesionismo sottocodificato, sono emerse stime dettagliate del suo rischio in funzione dell'età, della diagnosi di malattia mentale, del sesso e dello stato degli Stati Uniti. Il rischio massimo di autolesionismo è di 15 anni per le femmine e 17 per i maschi, in calo dopo la metà degli anni '20.

I tassi di autolesionismo sono aumentati costantemente a livello nazionale dal 2006 e le persone con più di una diagnosi importante di malattie mentali hanno una probabilità del 18-25% all'anno di farsi del male tra i 15 ei 26 anni, dove il rischio è più alto.

Lo studio faceva parte di un corpo di ricerca più ampio che Lambert ha condotto con un premio di 2.4 milioni di dollari del Patient-Centered Outcomes Research Institute per confrontare l'efficacia di vari trattamenti per il disturbo bipolare, in particolare in relazione a casi di autolesionismo, ospedalizzazione e rischio di effetti collaterali.

Sebbene lo studio si sia concentrato su come viene classificata la cura del paziente, Lambert ritiene che il metodo potrebbe essere potenzialmente utilizzato in un quadro predittivo.

"Si potrebbe utilizzare l'apprendimento automatico in un altro modo, in base alla propria storia, compresi i casi di pregressa autolesionismo", afferma. "Sei in una categoria ad alto rischio a causa di questo e/o di altri fattori in cui il trattamento proattivo potrebbe essere d'aiuto?"

Lambert è anche ottimista sul fatto che l'analisi dei dati su larga scala possa rivelare informazioni utili per informare il processo decisionale medico.

"Possiamo imparare qualcosa da questi set di dati?" lui chiede. "La codifica è imperfetta, gli esseri umani sono imperfetti, ma nel complesso, quando disponiamo di set di dati molto grandi, gran parte di quel rumore può essere mediato e possiamo ottenere risposte e prove significative".

Categorie: Salute, Research, Facoltà di Medicina, Prima pagina