Microsoft Word - Deep Learning vs traditionelle modeller_Abdel Hai_Final.Del 1

Abstrakt

Der er behov for et værktøj til forudsigelse af risiko for genindlæggelse på hospitaler for patienter med diabetes baseret på data om elektroniske journaler (EPJ).

Med forbedringen af ​​folks levestandard er diabetes blevet en almindelig kronisk sygdom i vores land. Mennesker med diabetes skal passe godt på deres krop og konstant overvåge og justere deres kost og levevaner for at sikre deres helbred. I disse aspekter fremhæves også vigtigheden af ​​hukommelse.

Mange undersøgelser har bekræftet, at diabetes og hukommelse er uadskillelige. Diabetes påvirker hjernens normale funktion, især hukommelse, indlæring og kognitive evner. Det har vist sig, at patienter med diabetes er mere tilbøjelige end almindelige mennesker til at lide af hukommelsesnedgang, nedsat indlæringsevne og svækket reaktionsevne.

Vi skal dog ikke give op. Diabetes kan effektivt kontrolleres og dens indvirkning på vores kroppe gennem kost- og livsstilsændringer.

Først og fremmest er kostregulering meget vigtig. Mennesker med diabetes skal begrænse deres indtag af natrium (salt), sukker og fedt for at sikre et afbalanceret fødeindtag. Et afbalanceret kostindtag er gavnligt for kroppens søvnkvalitet, mentale sundhed, hormonbalance, stofskifte og forebyggelse af delvis formørkelse, som alle kan være med til at forbedre hukommelsen og kognitive evner. For det andet, tilføj noget motion. Træning hjælper ikke kun med at kontrollere blodsukkerniveauet, men det kan også hjælpe med at forbedre hukommelsen og kognitive evner ved at styrke musklerne, reducere stress og slippe af med dårligt humør.

Endelig kræves ordentlig behandling. Stabile blodsukkerniveauer hjælper også med at forbedre hjernens indlærings- og hukommelsesevner.

Selvom mennesker med diabetes kan stå over for forskellige problemer såsom hukommelsestab, bør dette ikke forhindre personer med diabetes i at leve et sundt og levende liv. Overvågning af din kost og livsstil, motion og opretholdelse af et optimistisk humør er meget effektive for sundhedsvæsenet. Det kan også bedre beskytte vores krop, hukommelse og kognition. Vi skal forbedre hukommelsen, og Cistanche deserticola kan forbedre hukommelsen markant, fordi Cistanche deserticola er et traditionelt kinesisk medicinsk materiale med mange unikke effekter, hvoraf den ene er at forbedre hukommelsen. Effektiviteten af ​​hakket kød kommer fra de forskellige aktive ingredienser, det indeholder, herunder syre, polysaccharider, flavonoider osv. Disse ingredienser kan fremme hjernens sundhed på forskellige måder.

Klik på kend 10 måder at forbedre hukommelsen på

Den optimale modelleringstilgang er dog uklar. I 2.836.569 møder med 36.641 diabetespatienter blev deep learning (DL) langtidshukommelsen (LSTM)-modeller, der forudsiger uplanlagte, alle-årsager, 30-dages genindlæggelse udviklet og sammenlignet med flere traditionelle modeller. Modeller brugte EPJ-data defineret af en Common DataModel.

LSTM-modellen Area Under the Receiver Operating Characteristic Curve (AUROC) var signifikant større end for den næstbedste traditionelle model [LSTM {{0}}.79 vs. 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. 

En LSTM-model med 16 udvalgte laboratorietests gav ydelse svarende til en model med alle 981 laboratorietest. Denne nye DL-model kan danne grundlag for et mere nyttigt værktøj til forudsigelse af genindlæggelsesrisiko for diabetespatienter.

Introduktion

Hospitalsgenindlæggelse er et uønsket, omkostningsfuldt resultat for både patienter og hospitaler.1 Patienter med diabetes har større risiko for genindlæggelse inden for 30 dage efter hospitalsudskrivning (30-dag genindlæggelse) end patienter uden diabetes.

2-4 Af de næsten 9 millioner udskrivelser af diabetespatienter årligt i USA,5 er næsten 2 millioner genindlæggelser på 30-dage, hvilket svarer til mindst 20 milliarder USD i hospitalsomkostninger.

6, 7 Identifikation af patienter med højere risiko med diabetes ville gøre det muligt at målrette interventioner til dem, der har størst behov, og optimere cost-benefit-forholdet.

Vi har tidligere offentliggjort udviklingen og valideringen af ​​Diabetes Early Remission Risk Indicator(DERRITM), en logistisk regression (LR) model, der forudsiger risikoen for alle årsager 30-dage genindlæggelse blandt patienter med diabetes.

8 DERRITM er designet til brug på plejestedet baseret på brugerinput af 10 faktorer. Ved intern validering med delt prøve var ydeevnen beskeden (Area Under the Receiver Operating Characteristic Curve, AUROC 0,69).

I eksterne valideringsundersøgelser var DERRITM AUROC {{0}}.63 og 0.80.9, 10 Ud over variabel prædiktiv ydeevne kræver anvendelse af DERRITM manuel dataindsamling og indtastning, hvilket er væsentlige barrierer for dets brug i klinisk praksis.

I andet publiceret arbejde viste vi, at tilføjelse af variabler til DERRITM forbedrer den forudsigelige nøjagtighed væsentligt til en AUROC på 0.82.11 Denne udvidede model (DERRIplus) er imidlertid ikke mulig at bruge på plejestedet og inkluderede beskæftigelsesstatus, som ikke rutinemæssigt er dokumenteret i elektroniske sundhedsjournaler (EPJ).

Derfor kan denne model ikke direkte oversættes til et automatiseret, EPJ-integreret værktøj. Der er et udækket behov for et værktøj til forudsigelse af genindlæggelsesrisiko for patienter med diabetes, som er både præcist og nemt at bruge.

I løbet af de sidste par år er der blevet offentliggjort flere modeller for maskinlæring (ML) til at forudsige {{0}}dagens genindlæggelsesrisiko for diabetespatienter. Adskillige traditionelle ML-modelleringstilgange er blevet undersøgt, herunder random forest (RF), k-nærmeste nabo, naive Bayes, support vector machine (SVM), AdaBoost og multilayer perceptron (MLP), med en bred vifte af ydeevne (AUROC {{5 }}.53-0.99, nøjagtighed 0.54-0.99).

{{0}} Deeplearning (DL)-modeller er også blevet udviklet til at forudsige genindlæggelsesrisikoen for diabetespatienter, også med variabel ydeevne (AUROC 0.61-0.97, nøjagtighed 0.{{ 5}}.95), hvoraf ingen oversteg de bedste traditionelle ML-modeller.23-27 To af disse undersøgelser viste en klar fordel ved DL-tilgange i forhold til traditionelle ML-modeller,23, 24 og to undersøgelser fandt marginal fordel med DL nærmer sig.

25, 27 Sammenligninger af modelpræstation på tværs af alle disse undersøgelser er imidlertid begrænset af manglen på standardiseret rapportering af præstationskarakteristika og variable tilgange til test.

Derfor er det fortsat uklart, om DL-modeller overgår traditionelle ML-modeller til at forudsige genindlæggelsesrisiko for patienter med diabetes.

Interessant nok blev alle disse tidligere modeller udviklet på det samme datasæt28 bortset fra DERRITM og DERRIplus. Dette offentligt tilgængelige datasæt indeholder hospitalsmøder med diagnosen diabetes og en opholdstid på mellem 1 og 14 dage på et af 130 amerikanske hospitaler mellem 1999 og 2008.

Kun 3 International Classification of Diseases, Ninth Revision (ICD{1}}) diagnostiske koder pr. stød og kun 2 laboratorieværdier (blodsukker og HbA1c) blev registreret.

Endelig skelnes der ikke mellem planlagte og ikke-planlagte genindlæggelser. Således kan selv de bedste af disse modeller ikke præstere så godt hos patienter i dag. Mere aktuelle, generaliserbare modeller er nødvendige.

Derfor, for at løse disse huller, var formålene med den nuværende undersøgelse som følger: 1) At udvikle DL-modeller til forudsigelse af uplanlagte 30-dages genindlæggelse, 2) At sammenligne ydeevnen af ​​DL-modellerne med traditionelle ML-modeller, 3)

At udforske modellens ydeevne på tværs af en række tidligere EPJ-møder fra 1 til 100, der er inkluderet i modeludviklingen, og 4) At sammenligne en DL-model udviklet ved hjælp af en undergruppe af laboratorietests udvalgt af domænekendskab med en DL-model udviklet ved hjælp af alle tilgængelige laboratorietests.

Alle modeller blev udviklet og testet i et datasæt med 2.836.569 møder af 36.641 patienter med diabetes ved hjælp af demografi, vitale tegn, diagnostiske og procedurekoder, medicin, laboratorietests og administrative data som defineret af National Patient-Centered Clinical Research Network (PCORnet) Common Data Model (CDM).29

Materialer og metoder

Definition af patientkohorten

Inklusionskriterier var patienter med mindst én udskrivning fra et af de tre Temple University Health Systemhospitals i Philadelphia, PA, mellem 1. juli 2010 og 31. december 2020, og diabetes defineret ved mindst én af følgende: en diagnose af diabetes ( ICD-9: 249. xx eller 250. xx eller ICD-10: E08.xxx til og med E13.xxx); aHemoglobin A1c (HbA1c) niveau Større end eller lig med 6,5 %, eller en ordre på en diabetesspecifik medicin.

Møder blev udelukket for ældre patienter<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).

Patienterne blev sorteret i en af ​​2 grupper efter genindlæggelsesstatus: dem, der havde mindst én 30-dags genindlæggelse, og dem, der ikke havde. Blandt de patienter, der havde en genindlæggelse, blev et indlæggelse-genindlæggelsespar tilfældigt udvalgt til analyse. Blandt de patienter, der ikke havde genindlæggelse, blev én indlæggelse udvalgt tilfældigt til analyse.

Definition af variabler og dataforbehandling

Tabeller blev ekstraheret fra CDM for hvert af følgende domæner: møder, demografi, diagnoser, laboratorietests, medicinbestillinger, procedurer og vitale tegn. Fordi funktioner i et givet møde eksisterede i flere tabeller, blev tabeller slået sammen med en unik identifikator. Sammenlægning af udtrukne tabeller resulterede i en prøve, der indeholdt alle poster for et givet møde.

Dette resulterede i et betydeligt fravær. Således blev missingness brugt som en separat funktion. For kontinuerlige funktioner blev manglende data erstattet med 0, mens kategoriske funktioner blev erstattet med en unik kategori.

I alt 23 funktioner blev brugt som input til modellerne: 14 blev udtrukket fra CDM og 9 blev aggregeret. Udtrukne funktioner var: 1) Mødetype (indlæggelse, Akutafdeling, Observationsophold, Ambulant Besøg, Andet Ambulant Besøg, Telesundhed og Andet; 2) Udskrivningsstatus (hjælpehjem, mod medicinsk rådgivning, udløbet, hjemmesundhed, hjemme-/selvpleje, hospice, plejehjem, rehabiliteringsfacilitet, faglært sygeplejecenter; 3)Sex; 4) Hispanic; 5) Race (indianer/Alaska indfødt, asiatisk, sort, stillehavsøboer, hvid, anden/ingen information); 6) Tobak (nuværende bruger, aldrig bruger, tidligere bruger, passiv eksponering, andet/ingen information); 7) alder; 8)

Diagnose Clinical Classification System (CCS) koder;29 9) Procedure CCS-koder;29 10) Laboratorieresultater; 11) Medicinbestilling inden for 1 år før hvert møde; 12) Diastolisk blodtryk; 13) Systolisk blodtryk; og 14) Body Mass Index (BMI).

Aggregerede funktioner var: 1) Elixhauser-betingelser: en binær funktion, der angiver tilstedeværelsen eller fraværet af hver tilstand;30 2) Indlæggelsens varighed (opholdets længde i dage); 3) flere procedurekoder før konvertering til CCS-kode; 4) flere diagnosekoder før konvertering til CCS-kode; 5) antal dage siden det foregående møde uanset mødetype; 6) flere dage siden den tidligere indlæggelse, observation eller akutmodtagelse; 7) flere dage siden det forudgående møde med andre (ikke-hospitale) mødetyper; 8) flere indlæggelses-, observations- og akutmodtagelsesmøder før det aktuelle møde; og 9) flere andre (ikke-hospital) møder før det aktuelle møde.

ICD-9-koder blev konverteret til ICD-10-koder for at forene kodeformatet. ICD-10-koder og procedurekoder blev konverteret til CCS-koder. Baseret på domæneviden blev medicin, der er relevant for diabetes, kategoriseret som følger: diabetesmedicin efter klasse, kolesterol, kortikosteroider, renin-angiotensin system (RAAS) blodtryksmidler og ikke-RAS blodtryksmidler. Anden medicin blev ignoreret.

Funktioner, der ikke var pålidelige, for det meste manglende eller korrelerede, blev fjernet. Outliers funktioner såsom datoer, resultater, højde, vægt, BMI og blodtryk (systolisk og diastolisk) blev fjernet ved at observere datafordelinger, percentiler og domæneviden. Manglende værdier blev behandlet som en anden kategori, der indikerer, at der ikke blev indsamlet en parameter om mødet.

Det primære resultat for modelforudsigelse(�) var uplanlagt, alle årsager indlæggelse inden for 30 dage efter en indlæggelsesmodtagelsesudskrivning som defineret af Centers for Medicare & Medicaid Services (CMS).31 Baseret på CMS-definitionen, kun den første genindlæggelse inden for 30 dage blev analyseret.

For more information:1950477648nn@gmail.com