Инструмент ИИ, разработанный генералом Массачусетсом Бригамом, точно предсказывает риск насилия со стороны интимного партнера за годы до диагностики с использованием медицинских записей. An AI tool developed by Mass General Brigham accurately predicts intimate partner violence risk years before diagnosis using medical records.

Исследователи в Mass General Brigham, финансировавшиеся НГП, разработали инструмент ИИ с использованием машинного обучения для прогнозирования риска насилия со стороны интимных партнеров (ИПВ) путем анализа электронных медицинских записей. Researchers at Mass General Brigham, funded by the NIH, developed an AI tool using machine learning to predict intimate partner violence (IPV) risk by analyzing electronic medical records. Модель синтеза HAIM достигла 88-процентной точности и выявила 80,5 процента случаев ППВ до 3,7 года до клинического представления с использованием как структурированных, так и неструктурированных данных. The fusion model, HAIM, achieved 88% accuracy and identified 80.5% of IPV cases up to 3.7 years before clinical presentation, using both structured and unstructured data. Она выявила такие факторы риска, как проблемы с психическим здоровьем, частые посещения с целью оказания экстренной медицинской помощи и социальные лишения, в то время как профилактический уход был связан с более низким риском. It detected risk factors like mental health issues, frequent ER visits, and social deprivation, while preventive care was linked to lower risk. Это средство не предназначено для диагностики, а направлено на поддержку ранней, активной проверки, особенно с учетом того, что многие жертвы не сообщают о злоупотреблениях. The tool is not for diagnosis but aims to support early, proactive screening, especially since many victims don’t disclose abuse. К числу ограничений относятся потенциальные ложные негативные факторы и потребность в более разнообразных данных. Limitations include potential false negatives and the need for more diverse data. Этот подход свидетельствует о перспективах улучшения раннего вмешательства и результатов в области здравоохранения. The approach shows promise for improving early intervention and health outcomes.