利用人工智能检测电子健康记录中的污名化语言以促进健康公平

　　本综述探讨了电子健康记录（EHR）中污名化语言对医患关系及健康公平的影响，提出采用机器学习（F1分数达0.95）高效识别此类语言，并揭示其与住院时间（LOS）及特定患者群体（如政府保险者）的显著关联，为优化临床沟通和减少医疗 disparities 提供数据支持。

　　

亮点

方法

采用回顾性二次分析，从500名住院患者的电子健康记录（EHR）中提取笔记。研究纳入年龄21岁及以上、在2017年10月31日至2021年10月31日期间具有医院获得性条件（HAC）计费代码、且住院天数≥3天的患者笔记。数据来源于一所大型学术医疗中心。HAC通过ICD-10代码识别，包括术后异物残留、栓塞、血液不相容性、压力性溃疡、跌倒和创伤等并发症。

结果

我们的样本包含来自500名入住大型学术医疗中心患者的75,654份临床笔记，涵盖51种不同的笔记类型。患者平均年龄为60.8岁（±17.8），其中51.6%为男性。样本种族构成以白人为主（74.0%），其次是黑人（19.4%），93.6%的患者为非西班牙裔。在保险覆盖方面，41.8%的患者享有政府保险，19.6%拥有健康维护组织（HMO）计划，17.0%为优先提供者组织（PPO），13.8%为自费，7.8%拥有其他类型的保险。平均住院时间（LOS）为15.3天（±14.7）。我们的机器学习模型在检测污名化语言方面表现出色，F1分数高达0.95。在所有分析的笔记中，有12.7%包含污名化语言。污名化语言的存在与较长的住院时间显著相关（p < 0.001）。此外，老年患者和政府保险覆盖的患者其笔记中出现污名化语言的可能性更高。

讨论与建议

我们的研究发现为日益增长的、强调医疗环境中污名化语言有害影响的文献增添了新的证据。值得注意的是，在所有分析的笔记中，有12.7%识别出了污名化语言，且在病程笔记和出院摘要中流行率尤其高。这突显了一个普遍存在的问题，需要进一步关注。Wang等人（2023）的研究进一步阐明了这个问题，他们报告称复制粘贴功能在病程笔记和出院摘要中最常见，这可能导致污名化语言在多次就诊中持续存在并传播。我们的研究结果强调，需要实施干预措施和政策，以减少EHR中污名化语言的使用，并促进更具同理心和公平的文档记录实践。

政策与实践建议

文本分析和模型的进步揭示了污名化语言的问题。可以进一步利用人工智能（AI）开发电子健康记录（EHR）算法，向医疗团队成员警示污名化语言并提供替代方案。然而，我们也可以着手教育员工和即将毕业的学生使用支持护理和改善患者结局的替代语言。组织层面的政策可以确立适当的语言规范，并建立常规审计和衡量标准以确保护理的公平性。

结论

我们的研究结果强调了机器学习模型在识别和处理临床文档中的污名化语言方面可以发挥的关键作用，这对于确保健康公平至关重要。我们的发现表明，虽然人口统计学因素本身可能不是住院时间（LOS）等结局的强预测因子，但污名化语言的存在是延长住院时间并可能恶化患者病情的关键因素。通过使用人工智能（AI）检测和解决EHR中的此类语言，医疗保健系统可以朝着减少偏见、改善患者-提供者关系和促进公平护理的方向迈出重要步伐。未来的研究应探索污名化语言与具体临床决策和患者健康结局之间的机制联系。