Previsão de erros de pedidos de medicação autointerceptados usando aprendizado de máquina
Resumo: As abordagens atuais para entender os erros de pedido de medicação dependem de amostras de erro capturadas de forma manual e relativamente pequenas. Essas abordagens são intensivas em recursos, não são dimensionadas para sistemas de entrada de pedidos de provedor computadorizado (CPOE) e correm o risco de perder fatores de risco importantes associados a erros de pedidos de medicamentos. Anteriormente, descrevemos um conjunto de dados de supressão de medicação baseada em CPOE acompanhado por análises de regressão univariada e multivariada. No entanto, essas técnicas tradicionais exigem orientação especializada e podem ter um desempenho ruim em comparação com abordagens mais recentes. Neste artigo, atualizamos essa análise usando modelos de aprendizado de máquina (AM) para prever pedidos de medicação errôneos e identificar seus fatores contribuintes. Foram recuperados dados demográficos do paciente (raça/etnia, sexo, idade), características do médico, tipo de pedido de medicação (paciente internado, prescrição, medicação domiciliar por histórico) e conteúdo do pedido. Comparamos modelos de regressão logística, floresta aleatória, árvores de decisão impulsionadas e redes neurais artificiais. O desempenho do modelo foi avaliado usando a área sob a curva característica de operação do receptor (AUROC) e a área sob a curva de recuperação de precisão (AUPRC). O banco de dados incluiu 5.804.192 pedidos de medicamentos, dos quais 28.695 (0,5%) foram anulados. O AM classificou corretamente os vazios com precisão razoável; com um valor preditivo positivo de 10%, ~20% dos erros foram incluídos. As árvores de decisão impulsionadas por gradiente alcançaram as maiores AUROC (0,7968) e AUPRC (0,0647) entre todos os modelos. A regressão logística teve o pior desempenho. Os modelos identificaram fatores preditivos com alta validade de face (por exemplo, ordens dos alunos) e uma árvore de decisão revelou contextos de interação com altas taxas de erros não identificados por modelos de regressão anteriores. Modelos de previsão usando informações de entrada de pedidos oferecem promessa de vigilância de erros, melhorias na segurança do paciente e revisão clínica direcionada. A melhora no desempenho de modelos com interações complexas aponta para a importância da informação contextual de pedidos de medicação para a compreensão dos contribuintes em relação a erros de medicação.
Abstract: Current approaches to understanding medication ordering errors rely on relatively small manually captured error samples. These approaches are resource-intensive, do not scale for computerized provider order entry (CPOE) systems, and are likely to miss important risk factors associated with medication ordering errors. Previously, we described a dataset of CPOE-based medication voiding accompanied by univariable and multivariable regression analyses. However, these traditional techniques require expert guidance and may perform poorly compared to newer approaches. In this paper, we update that analysis using machine learning (ML) models to predict erroneous medication orders and identify its contributing factors. We retrieved patient demographics (race/ethnicity, sex, age), clinician characteristics, type of medication order (inpatient, prescription, home medication by history), and order content. We compared logistic regression, random forest, boosted decision trees, and artificial neural network models. Model performance was evaluated using area under the receiver operating characteristic curve (AUROC) and the area under the precision-recall curve (AUPRC). The dataset included 5,804,192 medication orders, of which 28,695 (0.5%) were voided. ML correctly classified voids at reasonable accuracy; with a positive predictive value of 10%, ~20% of errors were included. Gradient boosted decision trees achieved the highest AUROC (0.7968) and AUPRC (0.0647) among all models. Logistic regression had the poorest performance. Models identified predictive factors with high face validity (e.g., student orders), and a decision tree revealed interacting contexts with high rates of errors not identified by previous regression models. Prediction models using order-entry information offers promise for error surveillance, patient safety improvements, and targeted clinical review. The improved performance of models with complex interactions points to the importance of contextual medication ordering information for understanding contributors to medication errors.
