三種機器學習算法已識別出可能在手術(shù)后遭受極度痛苦的患者，每個患者的準確率約為80%。預測性協(xié)助可能會幫助醫(yī)生針對危險和易上癮的阿片類藥物適當?shù)刂贫ㄌ娲缘奶弁垂芾碛媱潯?/p>

首席研究作者，哈佛大學醫(yī)學博士Mieke Soens對與會人員說，他的團隊計劃將這些模型與Brigham and Women‘s Hospital的EHR進行整合，以“為每位患者提供術(shù)后疼痛的預測?！?/p>

為了建立他們的模型，Soens和同事們回顧了來自近6，000名不同手術(shù)類別的術(shù)后患者的數(shù)據(jù)。他們發(fā)現(xiàn)，這些患者中約有22%在手術(shù)后的前24小時內(nèi)接受了大劑量的嗎啡毫克當量。

接下來，他們咨詢了疼痛護理專家，并搜索了文獻，提出了163種可能預示嚴重的術(shù)后疼痛的因素。

借助這些洞察力，該團隊構(gòu)建了三個模型-后勤回歸，隨機森林和人工神經(jīng)網(wǎng)絡-能夠瀏覽患者的病歷并將163個因素修剪為只有最強烈的預測性。

將模型的預測與相同患者中的阿片類藥物實際使用量進行比較，Soens及其同事發(fā)現(xiàn)，這三者在確定哪些患者遭受最大疼痛并需要使用更大劑量的阿片類藥物方面的準確度約為80%。

“電子病歷是寶貴且未被充分利用的患者數(shù)據(jù)來源，可以有效地用于改善患者的生活，” Soens在演講后發(fā)表的準備好的講話中說道?！坝羞x擇地識別通常在手術(shù)后需要大劑量阿片類藥物的患者，對于減少濫用阿片類藥物的重要性很重要。”

責任編輯：lq