导读 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
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。
通过评估美国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，大多数美国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。”
标签：
免责声明：本文由用户上传，如有侵权请联系删除！