机器学习模型预测医生流失

医生更替对患者造成干扰，对医疗保健机构和医生来说代价高昂。在一项新的研究中，耶鲁大学的研究人员使用机器学习来揭示可能增加此类离职风险的因素，包括医生的任期长短、年龄和病例的复杂性。

通过评估大型医疗保健系统近三年的数据，他们能够以 97% 的准确率预测医生离职的可能性。研究人员说，这些发现提供的见解可以帮助医疗保健系统在医生决定离开之前进行干预，以减少人员流动。

该研究于 2 月 1 日发表在PLOS ONE上。

虽然医疗保健机构通常使用调查来跟踪医生的倦怠和工作满意度，但这项新研究使用了电子健康记录(EHR) 中的数据，大多数医生使用这些数据来跟踪和管理患者信息。

急诊医学副教授兼这项新研究的共同资深作者泰德·梅尔尼克说，调查的问题在于，医生常常感到有负担要做出回应。因此，回复率通常很低。“调查可以告诉你那一刻发生了什么，”他补充说，“但不能告诉你第二天、下个月或下一年会发生什么。”

然而，电子健康记录除了收集临床患者数据外，还不断生成与工作相关的数据，从而提供了观察医生时时刻刻和长时间内行为模式的机会。

在这项新研究中，研究人员使用了来自新英格兰大型医疗保健系统的三年去识别化 EHR 和医生数据，以确定他们是否可以采用为期三个月的数据并预测医生在以下时间内离职的可能性六个月。

“我们想要一些在个性化层面上有用的东西，”耶鲁大学医学院讲师和临床信息学研究员、该研究的共同资深作者安德鲁·洛扎说。“因此，如果有人使用这种方法，他们可以看到某个职位离开的可能性以及当时对估计贡献最大的变量，并在可能的情况下进行干预。”

具体来说，在 34 个月的时间里，每月从代表 26 个医学专业的 319 名医生那里收集数据。数据包括医生使用 EHR 花费的时间;临床生产力措施，例如患者数量和医生需求;和医生的特征，包括年龄和工作年限。数据的不同部分用于训练、验证和测试机器学习模型。

研究人员发现，在测试时，该模型能够以 97% 的准确率预测医生是否会离开。该模型的敏感性和特异性显示正确分类的出发和非出发月份的比例分别为 64% 和 79%。该模型还能够确定不同变量对离职风险的影响程度、变量如何相互作用以及当医生从低离职风险转变为高离职风险时哪些变量发生了变化。

研究人员说，关于推动预测的细节是使这种方法特别有用的原因。

Loza 说： “人们一直在努力使机器学习模型不是黑匣子，你可以在黑匣子中得到预测，但尚不清楚模型是如何得出的。” “了解模型产生预测的原因在这种情况下特别有用，因为这些细节将确定可能导致医生离职的问题。”

通过他们的方法，研究人员确定了几个导致离职风险的变量;他们发现，排名前四的因素是医生受雇时间长短、年龄、病例的复杂性以及对他们服务的需求。

之前的工作只能分析线性关系，而机器学习模型让研究人员能够更细致地观察医生面临的挑战。例如，最近聘用的医生和任期较长的医生离职风险最高，而任期中等的医生离职风险较低。同样，44 岁以下的人离职风险较高，45 至 64 岁的医生离职风险较低，65 岁或以上的人离职风险更高。

变量之间也存在相互作用。例如，花在 EHR 活动上的时间越多，工作时间不到 10 年的医生离职的风险就会降低。但对于那些工作时间更长的医生来说，它增加了离职的风险。

Loza 说：“研究结果表明，没有一种放之四海而皆准的解决方案。”

“我认为这项研究是确定导致临床医生流失的因素的重要一步，其最终目标是为我们的临床医生创造一个可持续和繁荣的工作环境，”东北医疗集团的医学信息学官员和作者布赖恩威廉姆斯说的研究。

为了实现这一目标，研究人员创建了一个可以显示此信息的仪表板。医疗保健领导者看到了这种方法可以提供的分析类型的价值。

“由于医生职业倦怠是一个日益被认可的问题，医疗保健系统、医院和大型团体需要弄清楚他们需要做些什么来确保医生和其他从事实际护理的临床医生的身心健康和福祉为患者服务，”东北医疗集团纽黑文地区医疗总监罗伯特·麦克莱恩 (Robert McLean) 说。

“许多医疗保健系统已经有健康官员和健康委员会，他们可以负责收集和分析这些数据并得出结论，然后制定实施计划以进行更改并有望改进。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！