文献速递消化、代谢与肾脏急症

自然语言处理识别初级保健就诊中记录财务考量的 prevalence

Prevalence of Financial Considerations Documented in Primary Care Encounters as Identified by Natural Language Processing Methods.
PubMed 文献 · JAMA Netw Open · 2019-08-02
一句话结论在46 244例成人初级保健年度预防体检患者中,13.1%至少1次病历记录提及财务对话,该比例与政府保险、低收入社区、黑人和西班牙裔等因素相关。

该队列研究将既往在ICU病历上训练的自然语言处理模型应用于2008年1月2日至2013年7月30日美国一家学术健康系统门诊的222 457份初级保健年度预防体检病历,覆盖46 244例成人患者。结果发现6058例患者(13.1%)至少有1份病历记录财务对话,每年比例为6.7%至8.2%。完全校正回归模型中,持有Medicare保险(OR 1.27;95%CI 1.15-1.41;P<.001)或Medicaid保险(OR 1.43;95%CI 1.25-1.64;P<.001)、居住于邮编中位收入较低地区(OR 0.97;95%CI 0.96-0.98;P<.001)、黑人(OR 1.40;95%CI 1.28-1.53;P<.001)、西班牙裔(OR 1.10;95%CI 1.01-1.20;P=.03)及未婚(OR 1.23;95%CI 1.15-1.33;P<.001)者财务记录几率更高。在300份被模型标记为财务对话的病历中,271份(90.3%)为真实财务讨论,其中191份(70.5%)涉及健康保险,132份(48.7%)记录了治疗计划改变,78份(28.8%)记录了用药改变,47份(17.3%)提及非健康相关财务顾虑。

要点

  • 13.1%的成人初级保健年度预防体检患者至少有1份病历记录财务对话,每年比例为6.7%至8.2%。
  • 持有Medicaid保险者财务记录几率更高(OR 1.43;95%CI 1.25-1.64;P<.001),Medicare保险者亦高(OR 1.27;95%CI 1.15-1.41;P<.001)。
  • 黑人(OR 1.40;95%CI 1.28-1.53;P<.001)和西班牙裔(OR 1.10;95%CI 1.01-1.20;P=.03)患者财务记录几率更高。
  • 在300份被标记病历中,271份(90.3%)为真实财务讨论,其中132份(48.7%)记录治疗计划改变,78份(28.8%)记录用药改变。
  • 作者认为该研究表明将既往NLP模型迁移用于识别病历中财务对话是可行的,且这些对话可能影响医生的医疗决策。

适用人群与场景

  • 2008年1月2日至2013年7月30日期间在美国一家学术健康系统(马萨诸塞州总医院和布莱根妇女医院)门诊接受年度预防体检的18岁及以上成人初级保健患者,共46 244例、222 457次就诊。
  • 仅纳入年度预防体检(使用Current Procedural Terminology第四版代码99204、99205、99214、99215识别),而非基于问题的就诊。

研究设计与关键结果

  • 研究类型为队列研究,应用自然语言处理模型分析222 457份初级保健年度预防体检病历,覆盖46 244例患者;6058例患者(13.1%)至少有1份病历记录财务对话。
  • 完全校正回归模型中,财务记录几率更高的因素包括:Medicare保险(OR 1.27;95%CI 1.15-1.41;P<.001)、Medicaid保险(OR 1.43;95%CI 1.25-1.64;P<.001)、邮编中位收入较低(OR 0.97;95%CI 0.96-0.98;P<.001)、黑人(OR 1.40;95%CI 1.28-1.53;P<.001)、西班牙裔(OR 1.10;95%CI 1.01-1.20;P=.03)、未婚(OR 1.23;95%CI 1.15-1.33;P<.001)。
  • 年龄(OR 1.00;95%CI 1.00-1.00;P=.05)和女性(OR 1.05;95%CI 0.99-1.12;P=.10)在校正后与财务记录无统计学显著关联。
  • 在300份被模型标记为财务对话的病历中,271份(90.3%)为真实财务讨论;其中191份(70.5%)涉及健康保险,132份(48.7%)记录治疗计划改变,78份(28.8%)记录用药改变,47份(17.3%)提及非健康相关财务顾虑(如失业、法律纠纷和儿童照护费用)。

证据类型、等级与局限

  • 证据类型:队列研究,遵循STROBE报告规范。
  • 模型在独立测试集上AUC超过0.96,阈值0.70时精确率和召回率均大于0.92;在门诊数据集100份人工标注病历上AUC为0.83,阈值0.70时精确率0.83、召回率0.93。
  • 局限:模型最初在住院ICU病历上训练,其语言和主题可能与门诊环境不同。
  • 局限:可能低估患者-医生财务对话的真实 prevalence,因为部分讨论可能未记录在临床病历中,或与前台或计费人员而非医生进行。
  • 局限:现有数据无法研究医生层面特征,而这些特征可能与财务对话概率相关。
  • 局限:其他未测量变量(如合并症和就诊时是否存在急性问题)可能与财务讨论概率相关。
  • 局限:分析仅限于单一学术医疗中心;未来将该模型应用于其他机构数据可能揭示财务对话存在的地区和机构差异。

对床旁实践的改变

  • 作者认为该研究表明将既往开发的自然语言处理模型迁移用于识别叙事临床病历中记录的财务对话是可行的,并提供证据提示这些对话可能影响医生的医疗决策。
  • 作者指出财务对话记录的可能性与婚姻状况、保险类型和种族/族裔等社会人口学因素相关。
  • 作者认为继续研究这些对话的性质可指导未来改善患者-医生沟通的努力,尤其在新一代医生培养过程中。

提炼说明

  • 原文未涉及「诊断标准与关键阈值」「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译9 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:JAMA Netw Open. 2019 Aug 30;2(8):e1910399. doi: 10.1001/jamanetworkopen.2019.10399

引言

近年来,美国家庭自付医疗支出持续稳步增长,至少部分原因在于高免赔额健康计划的日益普及。1 对此,医生越来越关注患者的支出:一些医生团体在其临床指南文件中明确倡导考虑费用因素,2 一项调查3 显示,84%的肿瘤科医生会将患者自付费用纳入治疗建议。越来越多的文献也在考察患者与医生之间费用相关对话的发生率和内容。根据2017年一项大型全国性研究,多达70%的美国个体有兴趣与医生讨论费用问题,4 尽管目前对费用对话实际发生率的估计差异很大,从4%到65%不等。5 这些既往估计在很大程度上依赖于可能有偏倚的调查数据,或依赖于记录的临床互动,而后者可能干扰诊疗。

作为这些现有方法的替代方案,在我们既往的工作中,6 我们将机器学习应用于电子健康记录,开发了一个具有高度判别力的模型,用于识别重症监护病房(ICU)临床记录中财务考量的存在及其性质。在本研究中,我们旨在了解此类对话在一个可能更能代表整体医学、尤其是门诊医学的队列中的发生率。我们将基于ICU数据训练的模型应用于一家大型学术医疗中心的门诊初级保健记录。与ICU环境一样,我们也旨在了解这些对话在多大程度上可能与患者层面的社会人口学特征相关。

方法

队列生成与研究设计

我们查询了Partners Research Patient Data Registry,以识别2008年1月2日至2013年7月30日期间在马萨诸塞州总医院和布莱根妇女医院进行年度预防性检查的所有成人初级保健就诊(由于迁移至新的电子病历系统,2013年以后的数据不可用)。为控制就诊类型,我们试图捕获常规初级保健就诊而非基于问题的就诊:成人年度预防性检查通过当前 procedural 术语第四版代码99204、99205、99214和99215进行识别。我们识别了46 244名18岁及以上个体的222 457次初级保健就诊。除叙述性记录外,社会人口学特征从结构化数据中提取,包括年龄、性别、婚姻状况、种族/民族、保险类型以及基于2013年人口普查数据7按邮政编码插补的家庭收入中位数,使用i2b2服务器软件生成数据集市。8

Partners HealthCare人类研究委员会批准了研究方案,并根据45 CFR 46.116豁免了知情同意要求,因为本研究基于常规临床诊疗产生的数据的二次使用,无需接触参与者。本研究遵循加强流行病学观察性研究报告(STROBE)报告指南。

模型训练

我们之前已经描述了用于对记录进行分类的自然语言处理(NLP)模型的推导过程。6简而言之,前一项研究中标注了是否存在财务对话的记录被用于训练随机森林分类器,使用Python的scikit-learn包(sklearn.ensemble.RandomForestClassifier,版本0.20.0)。9这些记录被随机分为训练集(5579条记录中的5021条,占90.0%)用于模型开发和调优,以及测试集(558条,占10.0%)用于确认模型的泛化能力。用于训练模型的记录数略高于前一项研究,因为非索引入院记录也被纳入,以便有更多数据用于训练。如前所述,6在模型训练之前,使用标准NLP技术对文本进行转换,包括去除标点和英语停用词、词干提取、生成一元词组和二元词组、从这些一元词组和二元词组创建词频-逆文档频率矩阵,以及使用主成分分析降低该矩阵的维度。

使用梯形法则计算的曲线下面积、精确率和召回率被用作训练集和测试集上区分能力的主要评价指标。在独立测试集上,曲线下面积超过0.96。在模型输出概率的不同阈值下计算精确率和召回率,以确定哪个阈值对我们的使用场景达到了最佳平衡,并因此将用于门诊数据集。在本例中,选择0.70作为后续分析的阈值,因为该阈值在测试集上产生的精确率和召回率均大于0.92。

门诊数据集上的模型评价

门诊数据集中的222 457条临床记录以与训练集完全相同的方式进行预处理。为验证模型在门诊数据集上的性能,1名作者手动标注了其中100条记录以确定参考标准。在这100条记录上,曲线下面积为0.83,在预先确定的0.70阈值下,精确率和召回率分别为0.83和0.93。随后,1名作者将模型识别为有记录的财务对话的300条患者记录根据对话性质手动标注为更细的子类别。

统计分析

使用Python的pandas(版本0.23.4)10和scipy(版本1.1.0)11包计算每组的汇总统计量,包括分类特征的比例和连续特征的均值(SD)(即有过财务对话的患者和没有财务对话的患者)。无缺失数据。比较酌情使用χ2检验或单样本、非配对、双尾t检验。在这些单变量分析之后,使用Python的statsmodel(版本0.9.0)12拟合二项逻辑回归模型,调整患者相关记录总数、年龄、性别、种族/民族、保险类型和最早记录就诊时的邮政编码收入中位数,以是否存在财务讨论作为因变量,以比值比(OR)和95%置信区间估计每个社会人口学特征的独立效应。所有报告的P值均为双侧,名义显著性被认为未校正P < .05。

结果

整个数据集包括2008年1月2日至2013年7月30日期间就诊的46 244名患者的222 457份门诊记录。在这46 244名患者中,30 556名(60.1%)为女性,27 869名(60.3%)为白人,平均(SD)年龄为51.3(17.7)岁。总共发现6058名患者(13.1%)在此期间至少有1份记录表明与医生进行了财务方面的对话。在2008年至2013年间,每年分别有7.2%、7.6%、7.6%、8.2%和6.7%的患者至少有1份与费用相关的记录;这些百分比均低于总体估计值,因为许多患者有跨多年的记录。

表1描述了研究人群的社会人口学特征。在单变量比较中,与没有财务对话记录的患者相比,记录中有财务对话记录的患者年龄更大(平均[SD]年龄,54.1[16.4]岁 vs 49.9[17.5]岁;t=19.9;P<.001),且居住在收入较低的地区(平均[SD]邮政编码收入中位数,70 684美元[28 377] vs 76 782美元[30 366];t=−16.6;P<.001)。财务记录也更常见于女性(30 556名患者中4170名[13.7%] vs 15 688名患者中1888名[12.0%];χ2=23.5;P<.001)、西班牙裔(7776名中1223名[15.7%] vs 38 468名中4835名[12.6%];χ2=56.4;P<.001)和黑人(5392名中975名[18.1%] vs 40 852名中5083名[12.4%];χ2=132.6;P<.001)种族/族裔个体、未婚者(14 271名中1982名[13.9%] vs 31 973名中4076名[12.8%];χ2=11.2;P<.001),以及拥有Medicare(3529名中643名[18.2%] vs 42 715名中5415名[12.7%];χ2=87.5;P<.001)和非Medicare(8861名中1729名[19.5%] vs 37 383名中4239名[11.6%];χ2=395.2;P<.001)政府保险的患者。

采用多变量逻辑回归确定社会人口学因素与财务记录出现可能性的独立关联(表2)。与社区收入(较低的邮政编码收入中位数,OR,0.97;95%CI,0.96-0.98;P<.001)、非白人种族/族裔(西班牙裔个体,OR,1.10;95%CI,1.01-1.20;P=.03;黑人个体,OR,1.40;95%CI,1.28-1.53;P<.001)、婚姻状况(未婚,OR,1.23;95%CI,1.15-1.33;P<.001)和保险类型(Medicare,OR,1.27;95%CI,1.15-1.41;P<.001;Medicaid,OR,1.43;95%CI,1.25-1.64;P<.001)仍存在显著关联。然而,年龄(OR,1.00;95%CI,1.00-1.00;P=.05)和女性性别(OR,1.05;95%CI,0.99-1.12;P=.10)与财务记录的存在不再具有统计学显著关联。

最后,NLP模型识别为记录了财务对话的300份记录随后按讨论性质进一步细分(表3);271份(90.3%)为真正的财务事项讨论。在这些记录中,191份(70.5%)包含健康保险的讨论,132份(48.7%)和78份(28.8%)分别记录了治疗方案或药物的变更,47份(17.3%)提到了与非健康相关的财务问题(例如,失业、法律纠纷和儿童保育费用)。

表1. 46 244名患者中与财务记录存在或缺失相关的社会人口学特征 查看原表 ↗
表2. 46 244名患者中社会人口学和临床特征与财务记录存在的关联 查看原表 ↗
表3. 300份代表性记录中所记录财务对话的性质 查看原表 ↗

讨论

在将先前验证过的自然语言处理(NLP)模型应用于包含222 457份门诊初级保健记录的数据集时,我们发现,在46 244名患者中,有13.1%的患者至少有一份记录显示其与医生的对话中提到了经济方面的考虑。在某一年内至少有一次与费用相关对话的患者百分比相当稳定,每年为6.7%至8.2%。在调整分析中,这些讨论更常见于未婚个体、居住在中位家庭收入较低地区的个体、拥有政府医疗保险的个体以及黑人和西班牙裔/拉丁裔个体。

文献中关于财务对话发生率的估计差异很大;综述见Hunter等人的文章。5这些估计包括:专科门诊就诊对话记录中有30%提到费用,1加利福尼亚州有15%的初级保健医生报告大多数时候或总是与患者讨论费用,13以及来自单一中心的40%非洲裔美国女性报告曾与其医生讨论其哮喘治疗费用。14在我们自己先前的工作中6,将NLP应用于ICU临床记录时,我们报告有4.2%的患者在住院期间至少有一份记录反映了经济方面的考虑。显然,已报告估计值可能存在差异的原因很多,包括数据收集方法、临床情境的性质以及用于定义财务对话的标准。

值得注意的是,所有关于该主题的既往研究均基于调查数据或门诊就诊的录音对话。据我们所知,本研究是首次使用NLP来估计门诊环境中财务对话的发生率。我们的估计落在先前已发表研究的范围内,不仅验证了该方法的准确性,也说明了机器学习如何能够应用于大型数据集,以比以往更高效、更具成本效益的方式回答问题。此外,我们展示了现有模型——在本例中为我们在先前工作中基于ICU记录训练的NLP模型6——如何可以被重新用于第二项任务。这种策略称为迁移学习,可以克服临床数据集过大而无法完全重新标注(或过小而无法有效训练模型)的问题。15该ICU模型在门诊就诊记录上的强劲表现提示,该模型未来可以成功应用于其他数据集。

在有财务对话记录的随机记录样本中,我们发现48.7%的对话导致了治疗改变,28.8%导致了用药改变。患者与医生关于费用的讨论可导致管理改变这一发现,与其他研究一致,这些研究提示医生正越来越多地将患者自付支出纳入其决策。2,3,16这些改变是否与健康结局相关仍有待确定。

不出所料,我们的结果表明社会经济因素与费用对话的存在相关。单身患者、居住在收入中位数较低邮政编码地区的个体以及拥有包括医疗补助在内的政府保险者,与其他群体相比可能承受更大的医疗经济负担,因此更可能与医生讨论费用。这些发现可为医生行为和培训提供参考;例如,可以教导医学生和住院医师哪些药物更可能或更不可能获得公共保险计划的批准。然而,联邦医疗保险(Medicare)与财务记录存在之间的关联更令人意外,因为联邦医疗保险旨在保护老年人免受医疗支出风险。我们推测,这可能反映了全球调查结果17,即美国老年人在获得医疗方面面临比其他高收入国家同龄人更多的经济障碍,尽管通过联邦医疗保险几乎实现了全民覆盖。这也可能反映老年人财务素养的下降,而这可能加剧该群体的经济焦虑。18

我们还发现,黑人和西班牙裔个体更可能与医生讨论费用,这在粗模型和调整模型中均很明显。最近一项大型患者调查19发现了类似结果:黑人和西班牙裔个体更可能在接受医疗服务前了解价格、调查自付支出并比较不同医生的费用。这一结果可能受到其他变量的混杂影响,这些变量要么驱动了黑人和西班牙裔个体医疗经济负担的增加,要么驱动了其讨论财务担忧意愿的增强。另一方面,我们也认识到,如果这些对话主要由医生而非患者发起,则可能反映医生存在无意识偏见,即认为黑人和西班牙裔个体比其他人群承受更大的经济负担。20要从这一结果中得出有意义的结论,前提是更详细地理解所发生对话的类型以及由哪一方发起。

我们的发现补充了现有关于财务考量在医患会面中作用的研究。对这些对话性质的持续研究可为未来改善医患沟通的努力提供指导,尤其是在新一代医生正在接受培训之际。

局限性

我们注意到本研究的多个局限性。我们的模型最初是在住院ICU记录上训练的,其语言和主题可能与门诊环境有所不同。此外,我们很可能低估了医患财务对话的真实发生率,因为部分讨论可能未被记录在临床笔记中,或者可能是与前台或计费人员而非医生进行的。现有数据也无法用于研究可能与这类讨论发生概率相关的医生层面特征。此外,其他未测量的变量(如合并症以及就诊时是否存在急性问题)也可能与财务讨论的发生概率相关。同时,我们的分析仅限于单一学术医学中心;未来将该模型应用于其他机构的数据,可能会揭示不同地区和机构在费用对话方面存在的有趣差异。

结论

本研究表明,将先前开发的自然语言处理(NLP)模型迁移用于识别叙述性临床笔记中记录的财务对话具有可行性,并提供证据表明这些对话可以影响医生的医疗决策。有记录的财务对话的可能性与社会人口学因素相关,包括婚姻状况、保险类型和种族/族裔。该方法丰富了研究财务对话范围和性质的手段,有助于更好地刻画个体患者的医疗财务负担。

参考来源

  1. Skaljic M, Patel IH, Pellegrini AM, et al. Prevalence of Financial Considerations Documented in Primary Care Encounters as Identified by Natural Language Processing Methods. JAMA Netw Open. 2019. PMID: 31469397. doi:10.1001/jamanetworkopen.2019.10399
  2. 全文:PMC6724154(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6724154/

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。