机器学习将患者与正确的专家联系起来的力量2017年7月17日，黛安·艾薇类别：针对雇主、技术和数据见解在大型巡诊中，我们使用数据将患者与高质量医生进行匹配。但作为一个高质量的医生到底意味着什么呢？这里的首要挑战之一是确定哪些医生有适当的专业知识来满足患者的需求。这听起来像是一个直截了当的问题，但医生的专业数据实际上可能是惊人的不准确。例如，最近一项健康事务研究发现，健康计划目录中医生的专业信息有30%是错误的。换言之，例如，如果你寻找一位新的初级保健医生，那么有30%的几率你会试图安排一位甚至不从事初级保健的医生的预约。医生在注册国家提供者识别码（NPI）时，通常是在职业生涯开始时，向国家计划和提供者枚举系统（NPPES）自我报告他们的专长。然而，有时他们会误报自己的专业，或者更常见的是，在奖学金期间，医生会进一步专业化，而不会更新他们的信息来反映这一点。缩小这一差距并确定医生的专长的一种方法是给每个医生的办公室打电话并记录信息。但是在美国有超过90万名医生，假设每通电话需要5分钟，那么这个过程就需要8年多的时间！一种更具可扩展性的方法是查看医生执行的程序，并使用机器学习对医生的专业进行分类。例如，我们的数据科学团队最近构建了一个机器学习分类器，以确定哪些整形外科医生在整形外科的六个子专业中获得了奖学金：成人重建外科、足踝外科、手外科、脊柱外科、运动医学和创伤外科。为了训练一个机器学习模型来识别哪个医生属于某一特定的子专业，我们需要一些特征来表示他们所执行的程序，并给我们知道是该子专业成员的医生和不是该子专业的医生贴上标签。对于功能，我们查看了保险索赔，以确定医生为特定程序付费的次数。虽然某些程序可以预测一个亚专业（例如前交叉韧带，或ACL，修复是运动医学医生的预测），但这些高度特定的程序最终不是最佳功能，因为医生在同一个程序中使用多个帐单代码。此外，我们的索赔数据集不完整。因此，虽然可能已经执行了一个过程，但它可能在我们的数据集中丢失了。另一方面，我们发现特定身体部位的X射线数量更准确地代表了外科医生的工作量，因为外科医生进行的X射线比实际手术要多得多。更具体地说，下图显示了每个亚专业每个外科医生特定身体部位的平均X光百分比（使用将自己报告的子专业更新为NPPES的外科医生作为我们的阳性标签）。成人重建外科医生，主要对老年患者进行髋关节和膝关节置换，主要是对患者的髋关节和膝关节进行X光检查。而运动医学的外科医生，他们做像关节镜下的膝关节和肩关节手术来治疗运动相关的损伤，主要是对患者的肩和膝关节进行X光检查。总的来说，每个子专业的X射线平均分布与这些子专业处理的程序和条件一致。虽然平均来说，所做的X光检查的数量看起来很好，但我们还想确定X光片的特征是否能代表每个外科医生。由于身体某一部位的X射线数在我们的向量空间中代表了一个维度（共7维），我们将t分布随机邻域嵌入（t-SNE）应用于特征。t-SNE擅长将高维数据简化为二维或三维，然后我们可以用图形表示这些数据。下图显示了应用t-SNE后每个骨科外科医生（用彩色圆圈表示）的X射线所占的比例，其中X射线分布相似的外科医生表示为距离较近，而不同分布的X射线则相距较远。总的来说，骨科医生根据他们的亚专业将其很好地分为若干类，这表明X射线在身体各部分的分布是骨科手术的一个典型特征。毫不奇怪，创伤外科医生与其他一些亚专业（a）有着最高的重叠，因为他们在紧急情况下处理范围更广的疾病。一些医生出现在一个不同的集群，而不是他们自己报告的亚专业（b），这表明他们要么在NPPES中被错误地识别，要么可能有一个以上的亚专业。为了训练我们的机器学习模型正确识别医生的子专业，我们以每个身体部位的X光检查次数和医生在每个子专业执行的附加相关程序作为特征。作为标签，我们使用的医生更新了他们的自我报告给NPPES。由于医生可能是多个亚专业的成员，因此我们为六个骨科手术子专业训练了一个单独的二进制（预测是或否）分类器。每个分类器模型都能正确识别医生的子专业，准确率达到95%以上。对于我们来说，最大限度地确定医生的子专业非常重要，因为我们努力使患者与适合他们具体情况的医生匹配，让他们从一开始就得到适当的护理。然后用这些模型来预测在前面提到的六个亚专业中，哪位整形外科医师有进一步的专业研究。使用我们的机器学习分类器，我们将15000名骨科医生重新分类为更专业的外科医生。我们如何有效地使用这些新的专业标签的一个例子是：我们可以更好地匹配关节疼痛患者，例如，找到一位专门从事这方面工作的医生，从而能够最好地满足他们的需求。构建分类器来识别医生的子专业只是Grand Rounds的数据科学团队使用机器学习的方法之一，以便根据患者的具体临床需求将患者与高质量和合适的医生进行匹配。