Microsoft Word – Задълбочено обучение срещу традиционни модели_Абдел Хай_Финал. Част 1

Резюме

Необходим е инструмент за прогнозиране на риска от обратно приемане в болница за пациенти с диабет въз основа на данни от електронни здравни досиета (EHR).

С подобряването на жизнения стандарт на хората диабетът се превърна в често срещано хронично заболяване у нас. Хората с диабет трябва да се грижат добре за тялото си и постоянно да наблюдават и коригират диетата и жизнените си навици, за да гарантират здравето си. В тези аспекти се подчертава и значението на паметта.

Много изследвания потвърждават, че диабетът и паметта са неразделни. Диабетът засяга нормалното функциониране на мозъка, особено паметта, ученето и когнитивните способности. Установено е, че пациентите с диабет са по-склонни от обикновените хора да страдат от влошаване на паметта, намалена способност за учене и отслабена способност за реакция.

Не бива обаче да се предаваме. Диабетът може да бъде ефективно контролиран и неговото въздействие върху телата ни чрез промени в диетата и начина на живот.

На първо място, регулирането на диетата е много важно. Хората с диабет трябва да ограничат приема на натрий (сол), захар и мазнини, за да осигурят балансиран прием на храна. Балансираният хранителен прием е полезен за качеството на съня на тялото, психичното здраве, хормоналния баланс, метаболизма и предотвратяването на частично затъмнение, като всички те могат да помогнат за подобряване на паметта и когнитивните способности. Второ, добавете малко упражнения. Упражнението не само помага за контролиране на нивата на кръвната захар, но също така може да помогне за подобряване на паметта и когнитивните способности чрез укрепване на мускулите, намаляване на стреса и премахване на лошото настроение.

И накрая, необходимо е подходящо лечение. Стабилните нива на кръвната захар също помагат за подобряване на способностите за учене и памет на мозъка.

Въпреки че хората с диабет могат да се сблъскат с различни проблеми като загуба на памет, това не трябва да пречи на хората с диабет да водят здравословен и жизнен живот. Следенето на вашата диета и начин на живот, правенето на някои упражнения и поддържането на оптимистично настроение са много ефективни за грижата за здравето. Освен това може да защити по-добре нашето тяло, памет и когнитивни способности. Трябва да подобрим паметта и Cistanche deserticola може значително да подобри паметта, тъй като Cistanche deserticola е традиционен китайски лекарствен материал с много уникални ефекти, един от които е да подобрява паметта. Ефикасността на мляното месо идва от различните активни съставки, които съдържа, включително киселина, полизахариди, флавоноиди и др. Тези съставки могат да насърчат здравето на мозъка по различни начини.

Щракнете върху познайте 10 начина за подобряване на паметта

Оптималният подход за моделиране обаче не е ясен. При 2 836 569 срещи с 36 641 пациенти с диабет бяха разработени и сравнени с няколко традиционни модела модели на дългосрочна краткосрочна памет (LSTM) за дълбоко обучение (DL), предсказващи непланирано, 30-дневно повторно приемане. Моделите използват данни от EHR, дефинирани от Common DataModel.

Площта под кривата на работната характеристика на приемника (AUROC) на модела LSTM беше значително по-голяма от тази на следващия най-добър традиционен модел [LSTM {{0}}.79 срещу 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. 

Модел LSTM с 16 избрани лабораторни теста даде еквивалентна производителност на модел с всичките 981 лабораторни теста. Този нов DL модел може да осигури основата за по-полезен инструмент за прогнозиране на риска от обратно приемане за пациенти с диабет.

Въведение

Повторното приемане в болница е нежелан и скъп резултат както за пациентите, така и за болниците.1 Пациентите с диабет са изложени на по-висок риск от повторно приемане в рамките на 30 дни след изписване от болницата (30-дневно повторно приемане), отколкото пациентите без диабет.

2-4 От почти 9 милиона изписвания на пациенти с диабет годишно в САЩ,5 почти 2 милиона са 30-дневни повторни приеми, което съответства на поне 20 милиарда долара болнични разходи.

6, 7 Идентифицирането на високорискови пациенти с диабет би позволило насочването на интервенции към най-нуждаещите се, оптимизирайки съотношението разходи-ползи.

По-рано публикувахме разработването и валидирането на индикатора за риск от ранно повторно приемане на диабет (DERRITM), модел на логистична регресия (LR), който прогнозира риска от 30-дневно повторно приемане по всякаква причина сред пациенти с диабет.

8 DERRITM е проектиран за използване на място за грижа въз основа на въведени от потребителя 10 фактора. При вътрешно валидиране на разделена проба производителността беше скромна (площ под кривата на работната характеристика на приемника, AUROC 0,69).

При проучвания за външно валидиране DERRITM AUROC беше {{0}}.63 и 0.80.9, 10 В допълнение към променливата предсказваща производителност, прилагането на DERRITM изисква ръчно събиране и въвеждане на данни, които са основни пречки пред използването му в клинична практика.

В друга публикувана работа ние показахме, че добавянето на променливи към DERRITM значително подобрява точността на прогнозиране на AUROC от 0.82.11 Този разширен модел (DERRIplus), обаче, не е осъществим за използване в момента на грижа и включен статут на заетост, което не се документира рутинно в електронните здравни досиета (ЕЗД).

Следователно този модел не може да бъде директно преведен в автоматизиран, интегриран в EHR инструмент. Има незадоволена нужда от инструмент за прогнозиране на риска от обратно приемане за пациенти с диабет, който е едновременно точен и лесен за използване.

През последните няколко години бяха публикувани множество модели за машинно обучение (ML) за прогнозиране на {{0}}дневния риск от повторно приемане на пациенти с диабет. Бяха проучени няколко традиционни подхода за моделиране на ML, включително произволна гора (RF), k-най-близък съсед, наивен Bayes, поддържаща векторна машина (SVM), AdaBoost и многослоен перцептрон (MLP), с широк диапазон на производителност (AUROC {{5 }}.53-0.99, точност 0.54-0.99).

{{0}} Моделите за задълбочено обучение (DL) също са разработени за прогнозиране на риска от повторно приемане на пациенти с диабет, също с променлива производителност (AUROC 0.61-0.97, точност 0.{{ 5}}.95), нито един от които не надвишава този на най-добрите традиционни ML модели.23-27 Две от тези проучвания демонстрират ясно предимство на DL подходите пред традиционните ML модели,23, 24, а две проучвания установяват незначителна полза с DL подходи.

25, 27 Сравненията на ефективността на модела във всички тези проучвания обаче са ограничени от липсата на стандартизирано отчитане на характеристиките на ефективността и променливите подходи към тестването.

Следователно остава неясно дали DL моделите превъзхождат традиционните ML модели при прогнозиране на риска от повторно приемане за пациенти с диабет.

Интересното е, че всички тези предишни модели са разработени на един и същ набор от данни28, с изключение на DERRITM и DERRIplus. Този публично достъпен набор от данни съдържа болнични срещи с диагноза диабет и продължителност на престоя между 1 и 14 дни в една от 130 болници в САЩ между 1999 и 2008 г.

Бяха записани само 3 диагностични кода на международната класификация на болестите, девета ревизия (ICD-9) за среща и само 2 лабораторни стойности (кръвна глюкоза и HbA1c).

И накрая, не се прави разлика между планирани и непланирани реадмисии. По този начин дори най-добрият от тези модели може да не се представи толкова добре при пациенти днес. Необходими са по-актуални, обобщаващи модели.

Ето защо, за да се преодолеят тези пропуски, целите на настоящото проучване бяха следните: 1) Да се ​​разработят DL модели за прогнозиране на непланирано 30-дневно повторно приемане, 2) Да се ​​сравни ефективността на DL моделите с традиционни ML модели, 3)

За изследване на ефективността на модела в диапазон от предишни срещи на EHR от 1 до 100, включени в разработването на модела, и 4) За сравняване на DL модел, разработен с помощта на подмножество от лабораторни тестове, избрани от домейнзнание, с DL модел, разработен с помощта на всички налични лабораторни тестове.

Всички модели са разработени и тествани в набор от данни от 2 836 569 срещи на 36 641 пациенти с диабет, използвайки демографски данни, жизнени показатели, диагностични и процедурни кодове, лекарства, лабораторни тестове и административни данни, както е определено от модела на общите данни на Националната мрежа за клинични изследвания, ориентирана към пациента (PCORnet). (CDM).29

Материали и методи

Дефиниране на група пациенти

Критериите за включване бяха пациенти с поне едно изписване от която и да е от трите болници Temple University Health System във Филаделфия, Пенсилвания, между 1 юли 2010 г. и 31 декември 2020 г. и диабет, определен от поне едно от следните: диагноза диабет ( ICD-9: 249. xx или 250. xx или ICD-10: E08.xxx до E13.xxx); aНиво на хемоглобин A1c (HbA1c) По-голямо или равно на 6,5%, или поръчка за специфично за диабет лекарство.

Срещите бяха изключени за пациенти на възраст<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).

Пациентите бяха сортирани в една от 2 групи по статус на реадмисия: тези, които са имали поне един 30-дневен реадмисия, и тези, които не са. Сред пациентите, които са имали реадмисия, една двойка прием-реадмисия е избрана на случаен принцип за анализ. Сред пациентите, които не са имали реадмисия, едно приемане е избрано на случаен принцип за анализ.

Дефиниране на променливи и предварителна обработка на данни

Таблиците бяха извлечени от CDM за всяка от следните области: срещи, демографски данни, диагнози, лабораторни тестове, поръчки за лекарства, процедури и жизнени показатели. Тъй като характеристиките на дадена среща съществуват в множество таблици, таблиците бяха обединени с уникален идентификатор. Обединяването на извлечени таблици доведе до извадка, съдържаща всички записи за дадена среща.

Това доведе до значителна липса. По този начин липсата беше използвана като отделна характеристика. За непрекъснати функции липсващите данни бяха заменени с 0, докато категоричните характеристики бяха заменени с уникална категория.

Общо 23 характеристики бяха използвани като входни данни за моделите: 14 бяха извлечени от CDM и 9 бяха обобщени. Извлечените характеристики бяха: 1) Тип среща (стационарен, спешно отделение, престой за наблюдение, амбулаторно посещение, друго амбулаторно посещение, телездраве и Други; 2) Статус на изписване (заведение за подпомогнат живот, срещу медицински съвети, изтекъл срок, домашно здравеопазване, домашно/самообслужване, хоспис, старчески дом, заведение за рехабилитация, заведение за квалифицирани медицински сестри; 3) Секс; 4) испанец; 5) Раса (американски индианец/местен жител на Аляска, азиатец, чернокож, жител на тихоокеанските острови, бял, друго/няма информация); 6) Тютюн (текущ потребител, никога не използвал, бивш потребител, пасивно излагане, друго/без информация); 7) възраст; 8)

Кодове на системата за клинична класификация на диагнозата (CCS);29 9) CCS кодове на процедурите;29 10) Лабораторни резултати; 11) Поръчки на лекарства в рамките на 1 година преди всяка среща; 12) Диастолично кръвно налягане; 13) Систолично кръвно налягане; и14) Индекс на телесна маса (ИТМ).

Обобщените характеристики бяха: 1) състояния на Elixhauser: двоична характеристика, показваща наличието или отсъствието на всяко състояние; 30 2) Продължителност на приема (продължителност на престоя в дни); 3) няколко процедурни кода преди преобразуване в CCS код; 4) няколко диагностични кода преди преобразуване в CCS код; 5) брой дни от предишната среща, независимо от вида на срещата; 6) няколко дни след предишната среща в болницата, наблюдението или спешното отделение; 7) няколко дни след предишната среща с други (неболнични) видове срещи; 8) няколко стационарни, наблюдателни и спешни срещи преди текущата среща; и 9) няколко други (неболнични) срещи преди текущата среща.

Кодовете на ICD-9 бяха преобразувани в кодове на ICD-10 за уеднаквяване на кодовия формат. ICD-10 кодовете и кодовете на процедурите бяха преобразувани в CCS кодове. Въз основа на познанията в областта, лекарствата, свързани с диабета, бяха категоризирани, както следва: лекарства за диабет по клас, холестерол, кортикостероиди, агенти за кръвно налягане на системата ренин-ангиотензин (RAAS) и агенти за кръвно налягане без RAS. Други лекарства бяха пренебрегнати.

Функциите, за които е установено, че не са надеждни, повечето липсващи или корелирани, бяха премахнати. Извънредни характеристики като дати, резултати, височина, тегло, ИТМ и кръвно налягане (систолично и диастолично) бяха премахнати чрез наблюдение на разпределенията на данните, процентилите и познанията за домейна. Липсващите стойности бяха третирани като друга категория, която показва, че не е събран параметър за срещата.

Първичният резултат за прогнозиране на модела (�) е непланиран, реадмисия на стационар по всякаква причина в рамките на 30 дни след изписване на стационар, както е определено от Центровете за Medicare & Medicaid Services (CMS). дни беше анализирано.

For more information:1950477648nn@gmail.com