Alla ricerca IBM, stiamo esplorando nuove soluzioni per una serie di sfide sanitarie. Una di queste sfide è il sovraffollamento del pronto soccorso (ER), che può portare a lunghi tempi di attesa per il trattamento. Il sovraffollamento deriva in parte dalle persone che visitano il pronto soccorso per condizioni non di emergenza piuttosto che affidarsi ai medici di base. I pazienti che utilizzano il pronto soccorso per situazioni non di emergenza hanno maggiori probabilità di tornare al pronto soccorso più volte (Poole et al. 2016), contribuendo ulteriormente al sovraffollamento. L'identificazione di quei pazienti che potrebbero tornare al pronto soccorso può consentire agli ospedali di intervenire per garantire l'accesso alle cure necessarie al di fuori del pronto soccorso e potenzialmente alleviare il sovraffollamento.

Un modello di rete neurale

Il mio team presso IBM Research-China ha raccolto questa sfida. Abbiamo sviluppato un nuovo modello di rete neurale per prevedere quante volte una persona visiterà il pronto soccorso in base alle informazioni della sua cartella clinica elettronica (EHR). Il modello si basa su una tipica rete neurale ricorrente, ma a differenza dei tradizionali metodi di apprendimento automatico, mostra un comportamento temporale dinamico basato sulle informazioni EHR e ha una struttura complessa per modellare meglio la correlazione tra le visite al pronto soccorso e altri dati del paziente (Figura 1). Abbiamo usato il modello per fare previsioni precise su se e quante volte una persona visiterà il pronto soccorso e abbiamo scoperto che ha superato altre tecniche comuni. Per esempio, la precisione del nostro modello era maggiore del 6,59 percento rispetto a un tipico modello di regressione logistica nel prevedere se una persona visiterà il pronto soccorso e> 90% in più nella previsione del numero di visite al pronto soccorso rispetto al modello di regressione lineare. Il nostro modello aveva anche una precisione maggiore di circa il 2% rispetto al popolare modello XGboost nella previsione del numero di visite al pronto soccorso.

Prevedendo meglio quante volte una persona visiterà il pronto soccorso, speriamo che questo modello possa consentire agli ospedali di stabilire, dare la priorità, e mirare agli interventi per garantire che i pazienti abbiano accesso alle cure di cui hanno bisogno al di fuori di una struttura di pronto soccorso.

Condividere il nostro lavoro

Questi risultati, insieme ad altri cinque documenti del team di ricerca IBM in Cina, sono stati accettati da Medical Informatics Europe 2018, una prima conferenza di informatica medica che si terrà questa settimana a Gothenberg, Svezia. Gli altri documenti riguardano l'analisi delle prove del mondo reale sulle interazioni trattamento-sottogruppo, rilevamento di anomalie nell'utilizzo delle forniture mediche, utilizzo del deep learning e di altre tecnologie di apprendimento automatico per rispondere alle domande dei pazienti, e previsione di eventi cardiaci avversi maggiori in ospedale utilizzando un modello lineare generalizzato. I dettagli di tutti e sei i documenti accettati sono elencati di seguito. I nostri collaboratori in questi progetti rappresentano i migliori ospedali (Fuwai Hospital e Anzhen Hospitals) e le migliori aziende farmaceutiche (Pfizer). Lavorando con i migliori partner con i migliori dati sui problemi del mondo reale più impegnativi, possiamo generare risultati di ricerca di livello mondiale in Cina.