对于手术患者来说，人工智能有助于降低与酒精相关的风险

一项新的研究表明，使用人工智能扫描手术患者的医疗记录以发现危险饮酒的迹象可能有助于发现那些在手术期间和手术后饮酒增加问题风险的人。

该研究中测试的人工智能记录扫描可以帮助手术团队提前了解哪些患者可能需要更多有关此类风险的教育，或者帮助他们在手术前后一段时间内减少饮酒或戒酒的治疗。

研究结果发表在酒精:临床和实验研究密歇根大学(University of Michigan)的一个团队表明，使用一种称为自然语言处理的人工智能来分析患者的整个医疗记录，可以发现病历中记录的危险饮酒迹象，如医生笔记，即使他们没有酒精问题的诊断。

过去的研究表明，平均每天饮酒超过几杯与手术患者感染、伤口并发症、肺部并发症和延长住院时间的风险有关。

许多经常喝酒的人没有酒精问题，即使有问题，他们也可能永远不会收到酒精使用障碍或成瘾的正式诊断，外科团队很容易在他们的病历中发现这一点。

搜索记录和笔记

来自U-M学术医学中心密歇根医学的研究人员训练了他们的人工智能模型，让它审查100名匿名手术患者的记录，以寻找危险的饮酒迹象，并将其分类与人类专家审查者的分类进行比较。

总之，人工智能模型在大多数时候都与人类专家的分类相匹配。人工智能模型在87%被专家确定为危险饮酒者的患者的笔记中发现了危险饮酒的迹象。

同时，这些患者中只有29%的诊断列表中有与酒精相关的诊断代码。因此，许多并发症风险较高的患者可能会被他们的手术团队忽视。

然后，研究人员允许AI模型审查通过密歇根基因组学倡议汇编的53，000多份匿名患者病历。人工智能模型通过全文搜索识别出的高风险饮酒患者是研究人员使用诊断代码发现的三倍。总体而言，15%的患者通过人工智能模型达到标准，而通过诊断代码达到标准的患者为5%。

U-M医学院学习健康科学副教授、新论文的第一作者V. G. Vinod Vydiswaran博士说:“通过适当的验证，对自然语言处理进行评估，以确定手术患者记录中的危险饮酒行为，可以为确定初级保健及其他方面的其他风险奠定基础。”从本质上讲，这是一种为提供者突出显示其他提供者所做笔记中已包含的内容的方式，而无需他们阅读整个记录

“考虑到即使每天适量饮酒也可能导致手术风险过大，以及在手术前实施严格的筛查和治疗的挑战，我们有必要探索其他选择，以确定除了有诊断记录的患者外，哪些患者最能从减少自己或他人的饮酒中受益，”资深作者安妮·费尔南德斯博士说。她是U-M成瘾中心和成瘾治疗服务中心的成瘾心理学家，也是精神病学副教授。

新数据表明，外科诊所如果只是审查新患者病历中列出的诊断代码，以及酒精使用障碍、酒精依赖或与酒精相关的肝病等标志性代码，将会遗漏许多风险较高的患者。

酒精+手术=风险增加

除了已知的手术并发症风险外，费尔南德斯和他的同事最近公布了来自密歇根州一个大型外科数据库的数据，显示吸烟和每天喝两杯或更多酒的人比其他人更有可能回到医院或手术室。那些饮酒有风险但不吸烟的人也更有可能需要第二次手术。

她和同事还发现，19%接受手术的人可能有危险的酒精使用水平，他们对参加两项不同研究的人的详细问卷数据进行了审查，这两项研究招募了密歇根医学外科诊所的人。

这项新研究使用人工智能的NLP形式不是为了生成新信息，而是为了在构成一个人整个医疗记录的提供者笔记和数据的页面中寻找线索。

Vydiswaran说，经过验证后，该工具可能会在术前预约之前对患者的记录进行运行，并确定其风险水平。

当然，仅仅知道一个人饮酒的潜在危险水平是不够的。

费尔南德斯正在领导一项测试虚拟教练方法的工作，以帮助计划接受手术的人了解与饮酒水平有关的风险，并支持他们减少摄入量。

她说:“我们的目标是确定哪些人可能需要更多的治疗服务，包括酒精使用障碍的药物治疗以及在手术恢复期间必须戒酒的支持。”“我们的目标不是取代每个提供者都必须做的尽职调查，而是促使他们与患者交谈并获得更多信息以采取行动。”

她指出，将酒精与常用于治疗手术后疼痛的阿片类止痛药结合使用的风险非常高。

除了目前验证该模型的工作之外，该团队还希望将他们的模型公之于众，尽管需要对任何寻求使用该模型的医疗系统的电子记录系统进行培训。

费尔南德斯说:“这些人工智能工具可以做令人惊叹的事情，但重要的是我们使用它们来做一些可以为繁忙的临床医生节省时间的事情，无论这些事情是与酒精有关还是与药物使用、饮食紊乱或其他慢性疾病有关。”“如果我们要用它们来发现潜在的问题，我们也需要准备好提供治疗方案。”

除了U-M医疗保健政策和创新研究所的成员费尔南德斯和维迪斯瓦兰之外，这项研究的作者还有学习健康科学的阿什尔·斯特雷霍恩和凯瑟琳·韦伯以及精神病学的海莉·史蒂文斯、杰西卡·梅林杰和g .斯科特·温德。

这项研究由美国国立卫生研究院下属的国家酒精中毒和酒精滥用研究所(AA026333，AA028315)和U-M精密健康公司资助，该公司还负责密歇根基因组计划。这项研究利用U-M数据办公室进行临床和转化研究。

来源: Materials provided by Michigan Medicine - University of Michigan. Original written by Kara Gavin.
注明: Content may be edited for style and length. Journal Reference: V. G. Vinod Vydiswaran, Asher Strayhorn, Katherine Weber, Haley Stevens, Jessica Mellinger, G. Scott Winder, Anne C. Fernandez. Automated‐detection of risky alcohol use prior to surgery using natural language processing. Alcohol: Clinical and Experimental Research, 2024; 48 (1): 153 DOI: 10.1111/acer.15222