機器學習模型預測醫(yī)生流失

醫(yī)生更替對患者造成干擾，對醫(yī)療保健機構(gòu)和醫(yī)生來說代價高昂。在一項新的研究中，耶魯大學的研究人員使用機器學習來揭示可能增加此類離職風險的因素，包括醫(yī)生的任期長短、年齡和病例的復雜性。

通過評估美國大型醫(yī)療保健系統(tǒng)近三年的數(shù)據(jù)，他們能夠以 97% 的準確率預測醫(yī)生離職的可能性。研究人員說，這些發(fā)現(xiàn)提供的見解可以幫助醫(yī)療保健系統(tǒng)在醫(yī)生決定離開之前進行干預，以減少人員流動。

該研究于 2 月 1 日發(fā)表在PLOS ONE上。

雖然醫(yī)療保健機構(gòu)通常使用調(diào)查來跟蹤醫(yī)生的倦怠和工作滿意度，但這項新研究使用了電子健康記錄(EHR) 中的數(shù)據(jù)，大多數(shù)美國醫(yī)生使用這些數(shù)據(jù)來跟蹤和管理患者信息。

急診醫(yī)學副教授兼這項新研究的共同資深作者泰德·梅爾尼克說，調(diào)查的問題在于，醫(yī)生常常感到有負擔要做出回應。因此，回復率通常很低。“調(diào)查可以告訴你那一刻發(fā)生了什么，”他補充說，“但不能告訴你第二天、下個月或下一年會發(fā)生什么。”

然而，電子健康記錄除了收集臨床患者數(shù)據(jù)外，還不斷生成與工作相關的數(shù)據(jù)，從而提供了觀察醫(yī)生時時刻刻和長時間內(nèi)行為模式的機會。

在這項新研究中，研究人員使用了來自新英格蘭大型醫(yī)療保健系統(tǒng)的三年去識別化 EHR 和醫(yī)生數(shù)據(jù)，以確定他們是否可以采用為期三個月的數(shù)據(jù)并預測醫(yī)生在以下時間內(nèi)離職的可能性六個月。

“我們想要一些在個性化層面上有用的東西，”耶魯大學醫(yī)學院講師和臨床信息學研究員、該研究的共同資深作者安德魯·洛扎說。“因此，如果有人使用這種方法，他們可以看到某個職位離開的可能性以及當時對估計貢獻最大的變量，并在可能的情況下進行干預。”

標簽：