Kredit: Domain Publik Pixabay/CC0
Pergantian dokter mengganggu pasien dan merugikan fasilitas perawatan kesehatan dan dokter. Dalam sebuah studi baru, peneliti Yale telah menggunakan pembelajaran mesin untuk mengungkap faktor-faktor — termasuk lamanya masa kerja dokter, usia mereka, dan kerumitan kasus mereka — yang dapat meningkatkan risiko pergantian tersebut.
Mengevaluasi data dari sistem perawatan kesehatan AS yang besar selama hampir tiga tahun, mereka dapat memprediksi, dengan akurasi 97%, kemungkinan kepergian dokter. Temuan itu, kata para peneliti, memberikan wawasan yang dapat membantu sistem perawatan kesehatan melakukan intervensi sebelum dokter memutuskan untuk keluar untuk mengurangi pergantian.
Studi ini dipublikasikan 1 Februari di PLOS ONE.
Sementara fasilitas perawatan kesehatan biasanya menggunakan survei untuk melacak kelelahan dokter dan kepuasan kerja, studi baru menggunakan data dari catatan kesehatan elektronik (EHR), yang digunakan oleh sebagian besar dokter AS untuk melacak dan mengelola informasi pasien.
Masalah dengan survei, kata Ted Melnick, profesor kedokteran darurat dan rekan penulis senior studi baru, adalah bahwa dokter sering merasa terbebani untuk merespons. Akibatnya, tingkat respons seringkali rendah. “Dan survei dapat memberi tahu Anda apa yang terjadi pada saat itu,” tambahnya, “tetapi bukan apa yang terjadi pada hari berikutnya, bulan depan, atau tahun berikutnya.”
Catatan kesehatan elektronik, bagaimanapun, yang selain mengumpulkan data pasien klinis juga menghasilkan data terkait pekerjaan secara terus menerus, menawarkan kesempatan untuk mengamati pola perilaku dokter dari waktu ke waktu dan dalam jangka waktu yang lama.
Untuk studi baru, para peneliti menggunakan data EHR dan dokter yang tidak teridentifikasi selama tiga tahun dari sistem perawatan kesehatan New England yang besar untuk menentukan apakah mereka dapat mengambil rentang data tiga bulan dan memprediksi kemungkinan kepergian dokter dalam waktu berikut. enam bulan.
“Kami menginginkan sesuatu yang akan berguna pada tingkat personalisasi,” kata Andrew Loza, seorang dosen dan rekan informatika klinis di Yale School of Medicine dan rekan penulis senior studi tersebut. “Jadi, jika seseorang menggunakan pendekatan ini, mereka dapat melihat kemungkinan keluarnya suatu posisi serta variabel yang paling berkontribusi pada perkiraan pada saat itu, dan mengintervensi jika memungkinkan.”
Secara khusus, data dikumpulkan setiap bulan dari 319 dokter yang mewakili 26 spesialisasi medis selama periode 34 bulan. Data termasuk berapa banyak waktu yang dihabiskan dokter menggunakan EHRs; ukuran produktivitas klinis, seperti volume pasien dan permintaan dokter; dan karakteristik dokter, termasuk usia dan masa kerja. Porsi data yang berbeda digunakan untuk melatih, memvalidasi, dan menguji model pembelajaran mesin.
Saat diuji, model tersebut mampu memprediksi apakah seorang dokter akan pergi dengan akurasi 97%, demikian temuan para peneliti. Sensitivitas dan spesifisitas model yang menunjukkan proporsi bulan keberangkatan dan bukan keberangkatan yang diklasifikasikan dengan benar masing-masing adalah 64% dan 79%. Model ini juga dapat mengidentifikasi seberapa kuat variabel yang berbeda berkontribusi terhadap risiko perputaran, bagaimana variabel berinteraksi satu sama lain, dan variabel apa yang berubah ketika seorang dokter beralih dari risiko keberangkatan rendah ke risiko tinggi.
Detail tentang apa yang mendorong prediksi itulah yang membuat pendekatan ini sangat berguna, kata para peneliti.
“Ada upaya untuk membuat model pembelajaran mesin bukan kotak hitam di mana Anda mendapatkan prediksi tetapi tidak jelas bagaimana model itu muncul,” kata Loza. “Memahami mengapa model menghasilkan prediksi yang dilakukannya sangat berguna dalam kasus ini karena detail tersebut akan mengidentifikasi masalah yang mungkin menyebabkan kepergian dokter.”
Melalui pendekatan mereka, para peneliti mengidentifikasi beberapa variabel yang berkontribusi terhadap risiko keberangkatan; empat faktor teratas, mereka temukan, adalah berapa lama dokter tersebut telah bekerja, usia mereka, kerumitan kasus mereka, dan permintaan akan layanan mereka.
Sementara pekerjaan sebelumnya hanya memungkinkan analisis hubungan linier, model pembelajaran mesin memungkinkan peneliti mengamati tantangan yang dihadapi dokter dengan lebih bernuansa. Sebagai contoh, risiko keberangkatan paling tinggi untuk dokter yang baru dipekerjakan dan mereka yang memiliki masa kerja lebih lama tetapi lebih rendah untuk mereka yang memiliki masa kerja menengah. Demikian pula, risiko keberangkatan lebih tinggi untuk mereka yang berusia hingga 44 tahun, lebih rendah untuk dokter berusia 45 hingga 64 tahun, dan lebih tinggi lagi untuk mereka yang berusia 65 tahun atau lebih.
Ada juga interaksi antar variabel. Misalnya, lebih banyak waktu yang dihabiskan untuk aktivitas EHR menurunkan risiko keberangkatan bagi dokter yang telah bekerja kurang dari 10 tahun. Tetapi bagi para dokter yang bekerja lebih lama, hal itu meningkatkan risiko kepergian.
“Temuan menyoroti tidak ada solusi satu ukuran untuk semua,” kata Loza.
Risiko kepergian dokter bergeser selama periode studi, yang mencakup rentang waktu 34 bulan dari 2018 hingga 2021 (periode yang mencakup pandemi dan dunia pra-pandemi), kata para peneliti. Mereka juga mengidentifikasi variabel spesifik yang berubah ketika seorang dokter beralih dari risiko keberangkatan rendah ke tinggi; proporsi pesan kotak masuk EHR yang ditanggapi oleh anggota tim selain dokter, permintaan dokter, dan volume pasien, adalah variabel yang paling banyak berubah saat risiko dokter berubah dari rendah menjadi tinggi. Gelombang COVID-19 juga dikaitkan dengan perubahan risiko keberangkatan.
“Saya pikir penelitian ini merupakan langkah penting dalam mengidentifikasi faktor-faktor yang berkontribusi terhadap pergantian dokter, dengan tujuan akhir untuk menciptakan habitat kerja yang berkelanjutan dan berkembang bagi para dokter kami,” kata Brian Williams, seorang petugas informatika medis di Northeast Medical Group dan seorang penulis. studi.
Menuju tujuan tersebut, peneliti membuat sebuah dashboard yang dapat menampilkan informasi tersebut. Pemimpin layanan kesehatan melihat nilai dalam jenis analisis yang dapat diberikan oleh pendekatan ini.
Karena kelelahan dokter adalah masalah yang semakin diakui, sistem perawatan kesehatan, rumah sakit, dan kelompok besar perlu mencari tahu apa yang perlu mereka lakukan untuk memastikan kesehatan emosional dan fisik serta kesejahteraan dokter dan dokter lain yang melakukan perawatan yang sebenarnya. untuk pasien,” kata Robert McLean, Direktur Medis Regional New Haven dari Grup Medis Timur Laut.
“Banyak sistem perawatan kesehatan sudah memiliki petugas kesehatan dan komite kesehatan yang dapat memiliki tanggung jawab mengumpulkan dan menganalisis data ini dan mengembangkan kesimpulan, yang kemudian akan mengarah pada rencana implementasi untuk perubahan dan diharapkan perbaikan.”
Melnick menambahkan, “Kami senang dengan kemungkinan seperti apa ini dalam praktiknya. Dan kami terus berupaya menerapkan etika karena ini benar-benar tentang cara terbaik untuk mendorong kesejahteraan dokter dan tenaga kerja yang berkembang.”
Informasi lebih lanjut: Kevin Lopez et al, Memprediksi kepergian dokter dengan pembelajaran mesin pada pola penggunaan EHR: Kohort longitudinal dari praktik rawat jalan multispesialisasi besar, PLOS ONE (2023). DOI: 10.1371/journal.pone.0280251
Disediakan oleh Universitas Yale
Kutipan: Model pembelajaran mesin memprediksi pergantian dokter (2023, 1 Februari) diambil 1 Februari 2023 dari https://medicalxpress.com/news/2023-02-machine-physician-turnover.html
Dokumen ini tunduk pada hak cipta. Terlepas dari kesepakatan yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.