其他数据，高级分析提高了机器学习推荐应用程序的性能

Regenstrief Institute和Indiana大学的研究科学家进一步提高了Uppstroms的性能，这是一种机器学习应用，该应用程序通过纳入额外的个人和人口级数据来源和先进的分析方法来确定可能需要推荐的患者。

研究团队附属机构包括IU Fairbanks Iu Fairbanks在Iuupui，IU医学院和Eskenazi Health学院的公共卫生学院。

Uppstroms已在印第安纳波利斯安全网医院相关的九个诊所使用。算法标识初级保健患者诸如社会风险行为健康或与食物或住房斗争。这允许临床医生为这些患者提供给营养师，行为健康或A等专业服务的推荐社会工作者，目的是在变成危机之前解决需要的目标。

证据表明，至少四分之一的成年人，可能多达二分之一的成年人，有一种由健康的社会决定因素驱动的需求。

“这些环绕服务可以通过解决初级护理提供者无法解决的社会经济，行为和财务需求，”博士学位，博士学位，博士学位，博士学位，博士学位，博士学位，博士学位，博士学位ob体育开户网址在IU医学院。“让它更有用临床上，我们纳入了广泛的患者级数据和更多粒度的人口健康数据，以提高应用的精度，导致误报率较少。“

以前的方法创新

添加到算法中的其他数据包括健康，保险，药物历史和行为健康史的患者级社会决定因素。这些数据来自Eskenazi Health的电子健康记录系统和印第安纳州的患者护理网络，由印第安纳卫生信息交流管理。人口普查区衡量的人口级社会决定因素衡量的邮政编码，邮政编码所包含的面积，源自美国普罗斯县公共卫生部门和社区卫生调查。

研究小组评估了新决策模型，发现它们超越了以前的模型。新的患者级数据和高级分析方法在提高精度方面发挥了关键作用。

“在医生办公室之外发生了很多影响，”高级作者Joshua R. West，Ph.D.，MPH，再生研究科学家和IU Fairbanks公共卫生学院卫生政策中心主任在Iupui。“卫生系统正在努力将这些社会的健康决定因素纳入EHR。本研究表明临床访问期间捕获EHR中的社会因素并利用它们进行临床决策。”

除了添加的数据元素之外，研究团队还调整了申请是供应商中性，这意味着它可以实施到任何电子健康记录系统中。

研究人员的下一步是开发一种方法来利用EHR中的非结构化数据并将其包含在算法中。

“能够使用患者和人口级数据集来识别需要患有患者和人口级数据集的需求的精确健康的机器：算法开发和验证”在线发布JMIR医疗信息学。

---

---