医疗保健分析峰会回来了!欢迎收看9月13-15日盐湖城直播。现在注册
随着医疗保健行业对机器学习的预测潜力的深入研究,该行业正在欣赏这种先进的分析能力如何实现准确、及时的风险评分,并改善资源分配,以实现更低的成本和更好的结果。然而,在医疗保健领域利用机器学习洞察往往比在其他应用中更加复杂,在其他应用中,机器学习正变得越来越常见(从导航、天气预报到娱乐和零售建议)。
由于复杂性健康数据而在医疗保健设置方面,机器学习并不能自动提供临床医生能够快速准确地采取行动的见解。为了充分利用机器学习在医疗保健决策中的价值,开发人员必须使机器学习见解对临床用户具有可操作性。可视化是将这些有价值的见解转化为行动的关键工具。本文描述了一些有意义的、可操作的机器学习可视化的关键元素。
一个有意义的可视化需要多学科团队的协作(例如,数据科学家;用户体验设计师;和临床专家患者安全,包括可用性测试和针对实际目标用户的焦点小组)。团队成员贡献他们的综合专业知识来解决三个核心问题,以构建可视化设计决策的框架:
多学科团队结合他们的专业知识,为可视化带来对人、环境和活动的深入理解。这种理解是至关重要的,因为它确保可视化满足他们工作的临床用户(在护理第一线),并以最有效、最直接的方式满足他们的需求。如果可视化对临床医生来说不是最大限度地可访问和有用,他们就不会将其纳入工作流程,也不会从机器学习的宝贵决策支持中获益。
图1展示了一个用于预测潜在的患者安全事件的机器学习可视化示例。
图1中的患者安全工具旨在帮助医院单元的临床医生根据机器学习见解采取行动,并预防或减少特定患者安全事件的风险。机器学习算法(预测模型)确定哪些患者会因哪些安全事件而面临风险,并相应地对其风险进行分层;设计师将这些见解融入到可视化中,以帮助一线临床医生根据它们采取行动。
例如,一个预测模型可以表明某一特定患者发生中心静脉相关血流感染(CLABSI)的风险为27%。但要使这种洞察力具有可操作性,一线临床医生需要了解这种风险概率与病房内其他患者的比较情况。单独的风险概率评分并不能帮助临床医生确定哪些患者的风险最高,需要他们首先关注。即使将患者划分为标准风险类别(例如,高、中、低风险),也不能给护理团队足够的洞察力来做出明智的决定。
为了优化风险报告,可视化开发团队中的临床专家可以为用户界面提出临床医生已经熟悉的概念和语言。这种可视化使用了对临床医生更有意义的术语,而不是根据高、中、低风险评分对患者进行排名;它根据急迫性和相对风险(危重、紧急、及时和常规)对患者进行排名。这些更熟悉的临床概念,如图2所示,帮助临床医生更好地规划在他们的单位中治疗每个病人的顺序。
通过使用临床医生的语言,可视化帮助用户确定首先治疗哪些患者,以降低安全事件的风险。临床医生熟悉相对风险(图3),用这种方式确定患者风险可以让他们比较病房内的患者,并且容易理解一个患者发生特定安全事件的可能性是其他患者的两倍。上面的可视化图仍然包括患者风险评分,但将临床可操作的见解放在主要视图中。
一旦临床用户决定要治疗一个特定的病人,可视化可以帮助她决定要做什么。在潜在的患者安全事件的例子中(图1和2),可视化不仅显示了导致患者风险的风险因素,而且还显示了可调整的风险因素,按潜在影响进行排名,使临床医生能够处理这些风险因素来管理风险。
从识别患者风险到建议预防措施,机器学习可以为医疗保健决策提供宝贵的见解。为了充分优化这些见解,医疗应用程序开发人员必须向临床医生展示这些见解,以便准确地告知患者需要关注的迫切程度,以及他们可以解决的影响最大的可调整风险因素。考虑到这些机器学习见解的人、环境和活动的可视化将在临床医生需要时以最具临床意义的方式向他们传递关键信息。
你想了解更多关于这个话题吗?以下是我们建议的一些文章:
我们很自豪能为您提供相关的、有用的内容。我们可以用cookie记录你读了什么吗?我们非常重视您的隐私。请参阅我们的隐私政策详情和任何问题。