医生更替对患者造成干扰，对医疗机构和医生来说都是昂贵的。在一项新的研究中，耶鲁大学的研究人员使用机器学习来揭示可能增加这种人员流动风险的因素 - 包括医生的任期长短，年龄和病例的复杂性。

通过评估美国大型医疗保健系统近三年的数据，他们能够以97%的准确率预测医生离职的可能性。研究人员说，这些发现提供了一些见解，可以帮助医疗保健系统在医生决定离开之前进行干预，以减少人员流动。

该研究于1月<>日发表在PLOS ONE上。

虽然医疗机构通常使用调查来跟踪医生的倦怠和工作满意度，但这项新研究使用了电子健康记录(EHR)的数据，大多数美国医生使用这些记录来跟踪和管理患者信息。

急诊医学副教授、这项新研究的共同资深作者泰德·梅尔尼克(Ted Melnick)说，调查的问题在于，医生经常感到负担沉重。因此，答复率往往很低。“调查可以告诉你当时发生了什么，”他补充说，“但不能告诉你第二天、下个月或下一年发生了什么。

然而，电子健康记录除了收集临床患者数据外，还连续生成与工作相关的数据，提供了观察医生行为模式的机会。

对于这项新研究，研究人员使用了来自新英格兰大型医疗保健系统的三年去识别化的EHR和医生数据，以确定他们是否可以获取三个月的数据并预测医生在接下来的六个月内离职的可能性。

“我们想要一些在个性化层面上有用的东西，”耶鲁大学医学院讲师和临床信息学研究员，该研究的共同资深作者Andrew Loza说。“因此，如果有人使用这种方法，他们可以看到离开某个职位的可能性以及当时对估计贡献最大的变量，并在可能的情况下进行干预。

具体来说，在319个月内，每月从代表26个医学专业的34名医生那里收集数据。数据包括医生使用EHR花费的时间;临床生产力指标，如患者数量和医生需求;以及医生特征，包括年龄和工作年限。数据的不同部分用于训练、验证和测试机器学习模型。

研究人员发现，在测试时，该模型能够以97%的准确率预测医生是否会离开。该模型的敏感性和特异性显示正确分类的出发和非出发月份的比例分别为64%和79%。该模型还能够确定不同变量对离职风险的影响程度，变量如何相互作用，以及当医生从低风险转向高风险时，哪些变量发生了变化。

研究人员说，关于驱动预测的细节使这种方法特别有用。

“已经有人努力使机器学习模型不是黑匣子，在那里你可以得到预测，但不清楚模型是如何产生的，”Loza说。“在这种情况下，了解为什么模型产生预测特别有用，因为这些细节将识别可能导致医生离职的问题。

通过他们的方法，研究人员确定了导致离开风险的几个变量;他们发现，前四个因素是医生受雇的时间、年龄、病例的复杂性以及对他们服务的需求。

虽然以前的工作只能分析线性关系，但机器学习模型允许研究人员更细致地观察医生面临的挑战。例如，新近聘用的医生和任期较长的医生离职风险最高，但任期中等的医生离职风险较低。同样，44岁以下的医生的离职风险更高，45至64岁的医生的离职风险较低，65岁或以上的医生也更高。

变量之间也存在相互作用。例如，花在EHR活动上的时间越多，就可以降低在职不到10年的医生离职的风险。但对于那些受雇时间较长的医生来说，这增加了离职的风险。

“调查结果强调，没有一个放之四海而皆准的解决方案，”洛萨说。

研究人员说，医生离职的风险在整个研究期间发生了变化，从34年到2018年(包括大流行和大流行前的世界)的2021个月跨度。他们还确定了当医生从低风险转向高风险离开时发生变化的特定变量;除医生、医生需求和患者数量之外的团队成员响应的 EHR 收件箱消息的比例是当医生的风险从低到高时变化最大的变量。 浪潮也与离境风险的变化有关。

“我认为这项研究是确定导致临床医生流动的因素的重要一步，最终目标是为我们的临床医生创造一个可持续和繁荣的工作环境，”东北医疗集团医学信息学官员布莱恩威廉姆斯说。

为了实现这一目标，研究人员创建了一个可以显示此信息的仪表板。医疗保健领导者看到了这种方法可以提供的分析类型的价值。

“由于医生倦怠是一个越来越公认的问题，医疗保健系统，医院和大型团体需要弄清楚他们需要做些什么来确保实际照顾患者的医生和其他临床医生的情绪和身体健康和福祉，”东北医疗集团纽黑文区域医疗总监Robert McLean说。

“许多医疗保健系统已经有健康官员和健康委员会，他们可以负责收集和分析这些数据并得出结论，然后导致实施计划的变化和希望的改进。

梅尔尼克补充说：“我们对这在实践中可能出现的可能性感到兴奋。我们将继续致力于道德实施，因为这实际上是关于如何最好地促进医生福祉和蓬勃发展的员工队伍。