可解释的机器学习有助于提高患者满意度

宾夕法尼亚州立大学和 Geisinger Health System 的研究人员使用可解释的 AI 来发现影响住院患者在住院后完成满意度调查时意见的因素。

Geisinger 的斯蒂尔健康创新研究所的资深作者 Eric Reich 及其同事将蛇形 EHR 数据与完成的满意度调查的分数和帐户相结合。他们训练了一个可解释的机器学习框架，以从不同的输入中提取可操作的见解。

Reich 和合著者在IEEE 生物医学与健康信息学杂志上发表了他们的发现，报告称，对患者的担忧或投诉的及时性和关注度已成为影响满意度评分的首要因素。

同样重要的是对其应用的患者的疼痛管理。影响礼貌、尊重和医生、护士和其他护理团队成员之间的沟通的变量也是如此。

在他们的研究摘要中，作者指出医院的满意度与随后在家中遵守出院指示之间建立的系。

反过来，治疗依从性会影响临床结果和再住院率，无论好坏。

在评论Penn State News的调查结果时，主要作者 Ning Liu 博士指出，住院患者在住院期间与许多不同环境中的许多医护人员和支持人员互动。

“对于提供者来说，了解每个患者群体的需求非常重要，例如接受手术、癌症治疗或急诊就诊的患者，”刘说。

他强调了经过测试的框架使用可解释人工智能的重要性，其结果可以帮助根据最需要的特定护理点定制更正。

与黑盒人工智能相比，可解释型人工智能可以帮助医院“实施变革，以提高从上到下各个层面的患者满意度，”刘说。

Reich 补充说，该模型现已证明的效用应该鼓励将患者满意度指标与高级分析相结合的新研究。

“医疗保健系统可以利用这些发现来推动患者满意度的有针对性的提高，直到我们知道具有特定特征的患者是否正在接受膝关节置换术，然后我们相信这些是最重要的三个项目，可以确保患者有非常积极的体验，”Reich 说。“发现患者满意度背后的关键驱动因素是提高以患者为中心的医疗保健质量的关键因素。”