Microsoft Word – глибоке навчання проти традиційних моделей_Абдель Хай_Заключна частина. Частина 1

Анотація

Потрібен інструмент прогнозування ризику повторної госпіталізації для пацієнтів з діабетом на основі даних електронних медичних записів (EHR).

З підвищенням рівня життя людей цукровий діабет став поширеним хронічним захворюванням у нашій країні. Людям з цукровим діабетом необхідно ретельно піклуватися про своє тіло, постійно контролювати та коригувати свій раціон і спосіб життя, щоб забезпечити своє здоров’я. У цих аспектах також підкреслюється важливість пам’яті.

Багато досліджень підтвердили, що діабет і пам'ять нероздільні. Діабет впливає на нормальне функціонування мозку, зокрема на пам’ять, навчання та когнітивні здібності. Встановлено, що хворі на цукровий діабет частіше, ніж звичайні люди, страждають від погіршення пам'яті, зниження здатності до навчання, ослаблення реакції.

Однак ми не повинні здаватися. Цукровий діабет можна ефективно контролювати та його вплив на наш організм шляхом зміни дієти та способу життя.

Перш за все, дуже важлива регуляція харчування. Людям з діабетом необхідно обмежити споживання натрію (солі), цукру та жиру, щоб забезпечити збалансоване споживання їжі. Збалансоване харчування корисне для якості сну, психічного здоров’я, гормонального балансу, метаболізму та запобігання частковим затемненням, усе це може допомогти покращити пам’ять і когнітивні здібності. По-друге, додайте трохи фізичних вправ. Фізичні вправи не тільки допомагають контролювати рівень цукру в крові, але й можуть допомогти покращити пам’ять і когнітивні здібності, зміцнюючи м’язи, зменшуючи стрес і позбавляючись від поганого настрою.

Нарешті, потрібне правильне лікування. Стабільний рівень цукру в крові також допомагає покращити здатність мозку до навчання та пам’яті.

Хоча люди з діабетом можуть зіткнутися з різними проблемами, такими як втрата пам’яті, це не повинно заважати людям з діабетом жити здоровим і яскравим життям. Стежити за своїм харчуванням і способом життя, робити фізичні вправи і підтримувати оптимістичний настрій дуже ефективно для охорони здоров'я. Це також може краще захистити наше тіло, пам’ять і пізнання. Нам потрібно покращити пам’ять, і Cistanche deserticola може значно покращити пам’ять, оскільки Cistanche deserticola є традиційним китайським лікарським матеріалом із багатьма унікальними ефектами, одним із яких є покращення пам’яті. Ефективність м’ясного фаршу пов’язана з різними активними інгредієнтами, які він містить, включаючи кислоти, полісахариди, флавоноїди тощо. Ці інгредієнти можуть сприяти здоров’ю мозку різними способами.

Клацніть дізнатися про 10 способів покращити пам’ять

Оптимальний підхід до моделювання, однак, незрозумілий. Під час 2 836 569 зустрічей із 36 641 хворим на цукровий діабет було розроблено та порівняно з кількома традиційними моделями моделі довготривалої короткочасної пам’яті (LSTM) глибокого навчання (DL), які передбачають незаплановану 30-денну реадмісію. Моделі використовували дані EHR, визначені Common DataModel.

Площа під кривою робочих характеристик приймача (AUROC) моделі LSTM була значно більшою, ніж у наступної найкращої традиційної моделі [LSTM {{0}}].79 порівняно з Random Forest (RF) 0,72, p<0.0001]. Experiments showed that the performance of the LSTM models increased as the prior encounter number increased up to 30 encounters. 

Модель LSTM із 16 вибраними лабораторними тестами показала еквівалентну продуктивність моделі з усіма 981 лабораторними тестами. Ця нова модель DL може стати основою для більш корисного інструменту прогнозування ризику повторної госпіталізації для пацієнтів з діабетом.

вступ

Повторна госпіталізація є небажаним і дорогим результатом як для пацієнтів, так і для лікарень.1 Пацієнти з діабетом мають вищий ризик повторної госпіталізації протягом 30 днів після виписки з лікарні (30-день повторної госпіталізації), ніж пацієнти без діабету.

2-4 З майже 9 мільйонів виписок хворих на цукровий діабет щорічно в США5, майже 2 мільйони припадають на 30-денні повторні госпіталізації, що відповідає щонайменше 20 мільярдам доларів США витрат на лікарню.

6, 7 Виявлення пацієнтів з цукровим діабетом групи підвищеного ризику дозволить спрямувати втручання на тих, хто найбільше потребує, оптимізуючи співвідношення витрат і користі.

Раніше ми опублікували розробку та валідацію індикатора ризику ранньої госпіталізації при діабеті (DERRITM), моделі логістичної регресії (LR), яка передбачає ризик 30-денної повторної госпіталізації пацієнтів із діабетом за будь-якої причини.

8 DERRITM розроблено для використання в пункті догляду на основі введення користувачем 10 факторів. Під час внутрішньої перевірки розділеного зразка продуктивність була скромною (площа під кривою робочих характеристик приймача, AUROC 0,69).

У зовнішніх перевірочних дослідженнях DERRITM AUROC становив {{0}}.63 і 0.80.9, 10 На додаток до продуктивності прогнозування за змінними, застосування DERRITM вимагає ручного збору та введення даних, що є основними перешкодами для його використання в клінічна практика.

В іншій опублікованій роботі ми показали, що додавання змінних до DERRITM суттєво покращує точність прогнозування для AUROC 0.82.11 Ця розширена модель (DERRIplus), однак, неможлива для використання на місці медичного обслуговування та включеного статусу зайнятості, що зазвичай не документується в електронних медичних записах (EHR).

Таким чином, ця модель не може бути безпосередньо переведена в автоматизований інструмент, інтегрований в EHR. Існує незадоволена потреба в інструменті прогнозування ризику повторної госпіталізації для пацієнтів з діабетом, який був би точним і простим у використанні.

Протягом останніх кількох років було опубліковано кілька моделей машинного навчання (ML) для прогнозування {{0}}денного ризику повторної госпіталізації хворих на діабет. Було досліджено кілька традиційних підходів до моделювання ML, у тому числі випадковий ліс (RF), k-найближчий найближчий сусід, наївний Байєс, машина опорних векторів (SVM), AdaBoost і багатошаровий перцептрон (MLP), з широким діапазоном продуктивності (AUROC {{5). }}.53-0.99, точність 0.54-0.99).

{{0}} Також були розроблені моделі поглибленого навчання (DL) для прогнозування ризику повторної госпіталізації хворих на цукровий діабет, також зі змінною ефективністю (AUROC 0.61-0.97, точність 0.{{ 5}}.95), жодна з яких не перевищувала показники найкращих традиційних моделей ML.23-27 Два з цих досліджень продемонстрували явну перевагу підходів DL над традиційними моделями ML23, 24, а два дослідження виявили незначну перевагу з DL підходи.

25, 27 Порівняння продуктивності моделі в усіх цих дослідженнях, однак, обмежені відсутністю стандартизованих звітів щодо характеристик продуктивності та змінних підходів до тестування.

Таким чином, залишається незрозумілим, чи моделі DL перевершують традиційні моделі ML щодо прогнозування ризику повторної госпіталізації для пацієнтів з діабетом.

Цікаво, що всі ці попередні моделі були розроблені на одному наборі даних28, за винятком DERRITM і DERRIplus. Цей загальнодоступний набір даних містить випадки звернення до лікарні з діагнозом діабет і тривалість перебування від 1 до 14 днів в одній із 130 лікарень США між 1999 і 2008 роками.

Було зареєстровано лише 3 діагностичні коди Міжнародної класифікації хвороб дев’ятого перегляду (МКБ-9) на один випадок і лише 2 лабораторних значення (глюкоза в крові та HbA1c).

Нарешті, немає різниці між плановою та незапланованою реадмісіями. Таким чином, навіть найкращі з цих моделей можуть не працювати так добре у пацієнтів сьогодні. Потрібні більш сучасні, узагальнені моделі.

Тому, щоб усунути ці прогалини, цілі поточного дослідження полягали в наступному: 1) розробити моделі DL для прогнозування незапланованої 30-денної повторної госпіталізації з будь-якої причини, 2) Порівняти ефективність моделей DL з традиційні моделі ML, 3)

Щоб дослідити ефективність моделі в діапазоні попередніх зустрічей EHR від 1 до 100, які були включені в розробку моделі, і 4) Порівняти модель DL, розроблену з використанням підмножини лабораторних тестів, вибраних за знаннями домену, з моделлю DL, розробленою з використанням усіх доступних лабораторних тестів.

Усі моделі були розроблені та перевірені в наборі даних про 2 836 569 зустрічей 36 641 пацієнта з діабетом з використанням демографічних даних, показників життєдіяльності, діагностичних і процедурних кодів, ліків, лабораторних тестів та адміністративних даних, як визначено загальною моделлю даних Національної мережі клінічних досліджень, орієнтованої на пацієнта (PCORnet). (МЧР).29

Матеріали та методи

Визначення когорти пацієнтів

Критеріями включення були пацієнти з принаймні однією випискою з будь-якої з трьох лікарень Temple University Health System у Філадельфії, штат Пенсільванія, між 1 липня 2010 року та 31 грудня 2020 року та діабетом, визначеним принаймні за одним із наступного: діагноз діабет ( ICD-9: 249. xx або 250. xx або ICD-10: E08.xxx до E13.xxx); aРівень гемоглобіну A1c (HbA1c) більше або дорівнює 6,5%, або замовлення препарату для лікування діабету.

Зустрічі були виключені для пацієнтів віком<18 years, discharged by transfer to another hospital, inpatient death, a diagnosis of gestational diabetes (ICD-9: 648.0x or ICD-10: O24.4x), a diagnosis of prediabetes (ICD-9: 790.29 or ICD-10: R73.03), or pregnancy (positive beta-human chorionic gonadotropin laboratory test within 90 days before or after the encounter).

Пацієнти були відсортовані в одну з 2 груп за статусом повторної госпіталізації: тих, хто пройшов принаймні один 30-день повторної госпіталізації, і тих, хто цього не зробив. Серед пацієнтів, які пройшли повторну госпіталізацію, для аналізу була випадковим чином обрана пара госпіталізація-повторна госпіталізація. Серед пацієнтів, які не проходили повторну госпіталізацію, один госпіталізований був випадковим чином обраний для аналізу.

Визначення змінних і попередня обробка даних

Таблиці були витягнуті з CDM для кожної з таких областей: зустрічі, демографічні дані, діагнози, лабораторні тести, замовлення на ліки, процедури та життєво важливі показники. Оскільки особливості певної зустрічі існували в кількох таблицях, таблиці були об’єднані унікальним ідентифікатором. Результатом об’єднання витягнутих таблиць стала вибірка, що містила всі записи для певної зустрічі.

Це призвело до значної відсутності. Таким чином, відсутність використовувалася як окрема ознака. Для безперервних функцій відсутні дані було замінено на 0, тоді як категоричні функції було замінено на унікальну категорію.

Загалом 23 характеристики були використані як вхідні дані для моделей: 14 були витягнуті з CDM, а 9 були агреговані. Витягнутими характеристиками були: 1) Тип зустрічі (стаціонар, відділення невідкладної допомоги, спостереження, амбулаторне відвідування, інше амбулаторне відвідування, телемедицина та Інше; 2) Статус виписки (інтернат для проживання, проти медичної консультації, термін дії якого закінчився, медичне обслуговування вдома, медичне обслуговування вдома/самообслуговування, хоспіс, будинок престарілих, реабілітаційний заклад, заклад кваліфікованого медсестринства; 3) стать; 4) іспаномовні; 5) Раса (американські індіанці/корінні жителі Аляски, азіати, чорношкірі, жителі тихоокеанських островів, білі, інше/немає інформації); 6) Тютюн (поточний користувач, ніколи не використовував, колишній споживач, пасивний вплив, інше/немає інформації); 7) вік; 8)

Коди системи клінічної класифікації діагнозу (CCS);29 9) Коди CCS процедур;29 10) Результати лабораторних досліджень; 11) Замовлення ліків протягом 1 року перед кожною зустріччю; 12) діастолічний артеріальний тиск; 13) систолічний артеріальний тиск; і14) Індекс маси тіла (ІМТ).

Сукупними ознаками були: 1) умови Еліксхаузера: двійкова ознака, що вказує на наявність або відсутність кожного захворювання; 30 2) тривалість госпіталізації (тривалість перебування в днях); 3) декілька процедурних кодів перед перетворенням на код CCS; 4) кілька кодів діагностики до перетворення в код CCS; 5) кількість днів з моменту попередньої зустрічі незалежно від типу зустрічі; 6) кілька днів після попереднього звернення до стаціонару, обсервації чи відділення невідкладної допомоги; 7) кілька днів після попередньої зустрічі інших (нелікарняних) типів зустрічей; 8) кілька прийомів у стаціонар, обсервацію та відділення невідкладної допомоги перед поточним прийомом; і 9) кілька інших (не лікарняних) зустрічей перед поточною зустріччю.

Коди ICD-9 було перетворено на коди ICD-10, щоб уніфікувати формат коду. Коди ICD-10 і коди процедур були перетворені на коди CCS. Базуючись на знаннях предметної області, ліки, які стосуються діабету, були класифіковані наступним чином: ліки від діабету за класом, холестерин, кортикостероїди, препарати артеріального тиску ренін-ангіотензинової системи (РААС) і агенти артеріального тиску, які не належать до РАС. Інші ліки були проігноровані.

Функції, які виявилися ненадійними, здебільшого відсутніми або корельованими, були видалені. Викиди, такі як дати, результати, зріст, вага, ІМТ та артеріальний тиск (систолічний і діастолічний), були видалені шляхом спостереження за розподілом даних, процентилями та знаннями домену. Відсутні значення розглядалися як інша категорія, яка вказує на те, що параметр про зустріч не було зібрано.

Основним результатом прогнозу моделі (�) була незапланована повторна госпіталізація з будь-якої причини протягом 30 днів після виписки зі стаціонару, як визначено Центрами медичної допомоги та медичних послуг (CMS).31 Згідно з визначенням CMS, лише перша повторна госпіталізація протягом 30 днів було проаналізовано.

For more information:1950477648nn@gmail.com