Microsoft Word – Задълбочено обучение срещу традиционни модели_Абдел Хай_Финал. Част 3

В това проучване бяха проведени обширни експерименти, за да се определи колко предишни срещи са оптимални за прогнозиране на повторно приемане.

Тъй като темпото на живот се ускорява, ние сме изложени на голямо количество информация всеки ден и трябва да поддържаме определено количество памет, за да усвоим и използваме по-добре тази информация. Много хора може да смятат, че паметта им не е достатъчно силна, но чрез обширни експериментални изследвания можем да открием, че паметта може да бъде тренирана и подобрена.

Първият свързан експеримент разглежда ефектите на йога върху подобряването на паметта. Експериментът, проведен в Калифорнийския университет в Сан Франциско, показа, че практикуването на йога увеличава сивото вещество в мозъка и подобрява краткосрочната и дългосрочната памет на студентите. Това е така, защото йога има много добър здравен ефект върху физическото и психическото здраве на хората, може да облекчи стреса и безпокойството и по този начин да подобри паметта на хората.

Вторият експеримент изследва връзката между съня и паметта. Изследователите са установили, че достатъчното сън е полезно за паметта на хората. Сънят може да насърчи предаването на информация между мозъчните клетки, да помогне за консолидирането на спомените и да подобри капацитета за дългосрочно съхранение на спомените.

Третият експеримент е използването на математически игри за подобряване на изчислителната способност и паметта на учениците. В експеримента, проведен в университета в Хонконг, изследователите помолиха студентите да извършват прости математически дейности, за да стимулират мозъчната си дейност. Резултатите показват, че след обучението умението за изчисление и паметта на учениците са се подобрили. Това показва, че с подходящо обучение и стимулация мозъчната функция може да бъде цялостно подобрена.

Чрез горните експерименти знаем, че паметта може да бъде тренирана и подобрена и не е нужно да се притеснявате твърде много, че паметта ви не е достатъчно добра. Можем ефективно да подобрим паметта си и да се справяме по-добре с предизвикателствата на съвременния живот, като изпълняваме подходящи упражнения, като йога упражнения, пълноценен сън и различни игри. Вижда се, че трябва да подобрим паметта и Cistanche deserticola може значително да подобри паметта, тъй като Cistanche deserticola е традиционен китайски лекарствен материал, който има 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

Проведохме експерименти, като взехме предвид � срещи през предходните 2 години, където � ∈ {1, 2, 4, 8, 15, 30, 60, 80, 100}. Средният брой срещи на пациент през този период е 21, а 90-ият процентил е 56.

Вариацията в броя на срещите доведе до неунифицирана дължина на векторите на характеристиките. По този начин, в експеримент, който разглежда до 60 срещи, характерни вектори без данни бяха подплатени с 0s, за да се гарантира, че характеристиките за всички пациенти представляват 60 срещи.

Това проучване предполага, че DL моделите превъзхождат традиционните модели при голям бенчмарк, следователно е извършен сравнителен анализ с различни показатели за оценка, за да се оценят и сравнят DL алгоритмите с базовите традиционни модели.

Освен това, за да проучим значението на познанията в областта, ние обучихме и тествахме моделите върху данни с всички лабораторни изследвания, включени в набора от данни на ЕЗД, и сравнихме с модели, обучени и тествани с подгрупа от лабораторни изследвания, базирани на предишни документи, съобщаващи за връзка с обратно приемане (серумен албумин, анион дупка, артериално рН, билирубин, уреен азот в кръвта, въглероден диоксид, серумен креатинин, кръвна глюкоза, хематокрит, лактат, PaCO2, PaO2, серумен натрий, тропонин-I, венозно pH и брой бели кръвни клетки).11, 34 Използвайки само подгрупа от лабораторни изследвания може да бъде от полза чрез намаляване на размерността.

Пациентите бяха сортирани на случаен принцип в 3 неприпокриващи се подгрупи, където 70% бяха използвани за обучение, 10% валидиране и 20% за тестване. Използвахме техники за кръстосано валидиране, за да намерим хиперпараметрите, които дават най-добрите резултати.

За LSTM и GRU променихме броя на невроните, отпадането, размера на партидата и броя на епохите, използвайки търсене в мрежата. Следвайки литературата, в проведените експерименти процентът на отпадане варира от 0 до 50, а броят на невроните варира от 32 до 512.

Избрахме отпадане на 0.1, 128 неврона, размер на партидата от 512 и 16 епохи за LSTM и 12 епохи за GRU, тъй като двупосочният GRU конвергира по-бързо от 1-way LSTM. Функция за активиране на сигмоида и Адам оптимизатор са използвани. Традиционните модели също бяха фино настроени и бяха избрани хиперпараметрите, които дадоха най-добри резултати.

Показатели и анализ на ефективността

Ефективността на методите, използвани в нашето проучване, беше оценена чрез пет общи показателя: площ под кривата на работните характеристики на приемника (AUROC), припомняне (известно още като чувствителност), специфичност, F1-резултат и точност. Официалните дефиниции на тези показатели за оценка са общи и могат лесно да бъдат намерени.34

Анализът на статистическата значимост беше извършен, за да се оцени стабилността и значимостта на представянето на предложения модел.Избрахме произволно различни пациенти за обучение и тестване и повторихме произволния подбор 10 пъти, за да генерираме средни показатели за ефективност и 95% доверителни интервали.

LSTM беше сравнен с най-добрия традиционен модел (RF) чрез t-тест. p-стойност<0.05 was considered statistically significant. The Temple University Institutional Review Board approved the protocol.

Резултати

Бяха анализирани общо 36 641 пациенти с 2 836 569 срещи. Имаше 9 130 пациенти с поне един повторен прием и 27 511 без повторен прием. Влиянието на броя срещи през предходните 2 години беше оценено за пет модела за прогнозиране, където � срещи бяха взети предвид за всеки модел и експериментите бяха повторени за � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100} .

Фигура 2 представя AUROC на предложения модел, LSTM, спрямо традиционните модели в различен брой срещи. Двупосочният GRU също беше изпълнен, но пропуснат, защото постигна идентичен AUROC с LSTM. LSTM превъзхожда традиционните модели на голям бенчмарк във всички експерименти с различен брой срещи.

Средно LSTM моделите дадоха увеличение на AUROC от {{0}}.06 в сравнение с най-добре представящите се традиционни модели, RF. Експериментите показват, че предвиждането на реадмисия въз основа на единична предишна среща не е достатъчно и дава много по-ниска производителност (0,7 при използване на DL моделите и 0,68 при използване на най-добрия традиционен модел).

DLmodels достигнаха плато, когато бяха обучени с помощта на данни от 30срещи с минимално подобрение след това. Алгоритъмът DL даде увеличение от 0,07 на AUROC в сравнение с най-добре представящия се традиционен модел RF при използване на оптималния брой срещи, 80.

Таблица 1 показва ефективността на LSTM и традиционните модели, използвайки всички лабораторни тестове от до 80 от най-новите срещи през предходните 2 години. Като цяло доверителните интервали бяха много малки (<0.02), indicating a high degree of precision around the means. 

Предложеният метод, LSTM, получи среден AUROC от {{0}}.79 с 95% CI от 0,001. p-стойността, получена чрез сравняване на LSTM AUROC с втория най-добър модел (RF), беше<0.0001, hence, LSTM performance was significantly greater than the traditional models.

LSTM моделите постигнаха припомняне/чувствителност от 0.81, което показва, че представянето е доста силно при предсказване на истински положителни резултати (т.е. правилно класифициране на пациенти с повторно приемане).

Всички модели, използвани в нашето изследване, постигнаха много добра специфичност (т.е. истински отрицателен процент). По този начин обучените модели се представиха добре при прогнозиране на пациенти, които няма вероятност да бъдат повторно приети. LSTM постигна F{{0}}резултат от 0,80, което показва много добра способност за разграничаване на пациентите, които ще бъдат повторно приети или не.

За да определим дали познанията в областта за лабораторните изследвания са полезни, ние проведохме два различни експеримента, при които обучихме и тествахме модела въз основа на подмножество от 16 уникални лабораторни изследвания, избрани според познанията в областта, в сравнение с използването на всичките 981 уникални лабораторни изследвания, включени в данните.

Бяха използвани и модифицирани техники за горещо кодиране, за да се свърже лабораторният резултат с всеки лабораторен код. Беше създаден дълъг уникален масив от лабораторни кодове������_���_�����. За всяка среща беше създаден масив от нули � със същата дължина като ������_���_�����. �се състои от резултат при един и същи индекс на всеки лабораторен тест в������_���_�������, за да се свърже резултатът с даден лабораторен код. Среща без лабораторни резултати ще има � нули, което показва, че не е извършен лабораторен тест за дадена среща.

Тъй като повечето срещи съдържат<3 laboratory codes, this resulted in a sparse array. SVD was therefore utilized to learn an embedding of a sparse feature vector and reduce dimensionality. The Receiver Operating Characteristic (ROC) Curves of the LSTM models based on all laboratory studies or selected laboratory studies were identical (0.79, Figure 3).

Дискусия

В тази ретроспективна кохорта от 36 563 пациенти с диабет DL моделите превъзхождат RF, MLP, AdaBoost и LR моделите при прогнозиране на непланирано 30-дневно повторно приемане по всяка причина. Оптималният модел LSTM даде AUROC от 0.79 и точност от 0.81, което показва много добро представяне. Експериментите, предназначени да разкрият връзката между броя на предишните срещи и производителността на модела, показват, че AUROC на LSTM моделите се е увеличил, когато броят на срещите се е увеличил и е достигнал плато при 30 срещи. Ефективността на традиционните модели се увеличи в по-малка степен до предишен брой срещи от 15 или 30, след това или плато (RF), или намаля (MLP, AdaBoost, LR), когато броят на срещите се увеличи. И накрая, LSTM модел, който включва набор от 16 лабораторни теста, избрани според познанията в областта, дава еквивалентна производителност на LSTM модел, който включва всички налични лабораторни тестове.

В нашето проучване DL моделите се представиха по-добре от традиционните модели. Известни са ни 4 проучвания, които сравняват DL моделите с традиционните модели за прогнозиране на риска от повторно приемане на пациенти с диабет. Две от тези проучвания демонстрират ясно предимство на DL подходите пред традиционните ML модели,23,24 докато две проучвания установяват незначителна полза с DL подходите.25,27 Ефективността на тези DL модели е променлива с AUROC 0.61-0 .97 и точност от 0.69-0.95, нито един от които не надвишава този на най-добрите традиционни модели ML, които отчитат AUROC до 0.99 и точност от {{13} }.99.23,27 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. Нашето проучване, взето предвид с предишни проучвания, които директно сравняват DL с традиционните модели на ML, предполага, че подходите на DL обикновено дават по-добра производителност в тази популация.

Не сме запознати с други документи, които са изследвали връзката между броя на предишните срещи и ефективността на модела на риска при повторно приемане при пациенти с диабет. В свързана работа, обаче, една статия изследва как ефективността на моделите за прогнозиране на риска от реадмисия при пациенти с болестно затлъстяване варира, тъй като броят на хоспитализациите се увеличава от минимум 2 до 5.35 AUROC се увеличава от 2 на 3 хоспитализации, след което остава на плато. В друго широко свързано проучване открихме, че ефективността на LR моделите за прогнозиране на риска от повторно приемане на пациенти с диабет има тенденция да се увеличава, тъй като размерът на извадката се увеличава от 2,000 до 6,000, след което достига плато. .36 Тази група от изследвания предполага, че експериментирането в диапазон от числа на срещи и размери на извадката може да разкрие прагове, които биха могли да оптимизират анализа на данните, балансирайки количеството информация с размерността.

Също така не сме запознати с други проучвания, които са сравнявали рискови модели за обратно приемане, използвайки лабораторни данни, избрани от познанията за домейна, с всички налични лабораторни данни при пациенти с диабет. Има компромис между включването на всички лабораторни данни, което води до модели с по-голяма размерност и по-скъпи от изчислителна гледна точка, и включването на експерт в областта за избор на подгрупа от лабораторни данни, което може да бъде скъпо и по-малко осъществимо. Подобно на броя предишни срещи, след които производителността на модела не се е подобрила, констатацията, че производителността на модела с подмножеството от лабораторни данни е еквивалентна на модела с всички лабораторни данни предполага, че има подобно плато за тази област. Трябва да се проучи дали това явление се отнася или не за други популации пациенти.

Представените модели LSTM, които ние наричаме eDERRITM, са разширение на нашите предишни модели, theDERRITM и DERRIplus.8,11 По отношение на AUROC, моделът eDERRITM се представи по-добре от DERRITM, но по-лошо от DERRIplus. За съжаление, ефективността на 3-те модела не може да бъде директно сравнена в текущото проучване, тъй като наборът от данни не включва пощенски код, статус на заетост или информация за платеца. За разлика от DERRITM и DERRIplus, моделите eDERRITM са разработени с общодостъпни данни от EHR като демографски данни, жизнени показатели, диагностични и процедурни кодове, лекарства, лабораторни тестове и административни данни, както е определено от PCORnet CDM.29 CDM стандартизира абстракцията на данни от EHR, подобряване на възможностите за обобщаване и мащабируемост на моделите, които го използват. Планираме да преведем eDERRITM в приложение, вградено в система на EHR, което автоматично ще генерира прогнози за риска от реадмисия за хоспитализирани пациенти с диабет.

В допълнение към възможността за обобщаване на базирания на CDM набор от данни, настоящото проучване има и други забележителни силни страни. Наборът от данни е взет от пациенти с хоспитализация между 1.7.2010 г. и 31.12.2020 г., което е много по-скорошно от наборите от данни, използвани за други понастоящем публикувани рискови модели за повторно приемане при пациенти с диабет. Също така, за разлика от най-използвания набор от данни, който включва само болнични срещи със свързана диагноза диабет и продължителност на престоя под 15 дни, текущият набор от данни включва всички типове срещи, независимо от свързаната диагноза, като обхваща както болнични, така и амбулаторни данни. И накрая, размерът на извадката от 36 563 пациенти с 2 836 569 срещи предостави достатъчно данни за разработване на DL модели и провеждане на експерименти с до 100 предишни срещи.

Има някои ограничения, които си струва да се признаят. Данните са взети от една градска, академична здравна система. Следователно възможността за обобщаване на моделите към други популации е неизвестна и изисква тестване. Липсата както на пощенски код на пациента, така и на болницата изключва оценката на разстоянието между домашния пощенски код на пациента и болницата, което е известно, че е свързано с риск от повторно приемане.8,11 И накрая, повторното приемане в други болници не е уловено.

Заключение

Беше разработен и вътрешно тестван LSTM модел с много добро представяне, предвиждащ непланирано 30-дневно повторно приемане на пациенти с диабет. LSTM моделите превъзхождат традиционните модели при прогнозиране на реадмисия в тази популация. Производителността на модела LSTM първоначално се увеличава с нарастването на броя на предишните срещи и след това се задържа. Внимателно подбраните лабораторни характеристики могат да доведат до прогнозни модели с производителност, равна на тази на модели, базирани на всички налични лабораторни изследвания. Необходимо е допълнително проучване за външно валидиране на модела.

Благодарности

Това изследване беше подкрепено от Националния здравен институт (NIH) под номер на грант R01DK122073.

Препратки

1. Benbassat J, Taragin M. Реадмисия в болница като мярка за качество на здравните грижи: предимства и ограничения. Архив по вътрешни болести. 2000;160:1074-1081.

2. Рубин DJ. Реадмисия в болница на пациенти с диабет. Текущи доклади за диабет. 2015;15:1-9.

3. Ostling S, Wyckoff J, Ciarkowski SL, Pai CW, Choe HM, Bahl V, et al. Връзката между захарния диабет и 30--дневните нива на обратно приемане. Клиничен диабет и ендокринология. 2017; 3: 3.

4. Enomoto LM, Shrestha DP, Rosenthal MB, Hollenbeak CS, Gabbay RA. Рискови фактори, свързани с 30-дневно повторно приемане и продължителност на престоя при пациенти с диабет тип 2. J Диабетни усложнения. 2017;31:122-127.

5. AHRQ, Проект за разходи и използване на здравеопазването (hcup) национална стационарна проба (nis). , 2018 г.

6. ADA. Икономически разходи за диабет в САЩ през 2017 г. Грижи за диабет. 2018;41:917-928.

7. Рубин DJ, Шах А.А. Прогнозиране и предотвратяване на повторно използване на спешни грижи от пациенти с диабет. Актуални доклади за диабет. 2021;21.

8. Rubin DJ, Handorf EA, Golden SH, Nelson DB, McDonnell ME, Zhao H. Разработване и валидиране на нов инструмент за прогнозиране на риска от повторно приемане в болница сред пациенти с диабет. Endocr Pract. 2016;22:1204-1215.

9. Рубин DJ, Recco D, Turchin A, Zhao H, Golden SH. Външно валидиране на индикатора за риск от ранно повторно приемане на диабет (Terri ()). Endocr Pract. 2018;24:527-541.10. Alamer AA, Patanwala AE, Aldayyen AM, Fazel MT. Валидиране и сравнение на два 30--дневни модели за прогнозиране на обратно приемане при пациенти с диабет. Endocr Pract. 2019;25:1151-1157.

For more information:1950477648nn@gmail.com