Microsoft Word – Deep Learning vs Traditional Models_Abdel Hai_Final.Del 1
Jan 03, 2024
Abstrakt
Et verktøy for prediksjon av risiko for reinnleggelse på sykehus for pasienter med diabetes basert på data fra elektronisk helsejournal (EPJ) er nødvendig.
Med forbedringen av folks levestandard har diabetes blitt en vanlig kronisk sykdom i vårt land. Personer med diabetes må ta godt vare på kroppen og hele tiden overvåke og justere kostholdet og levevanene for å sikre helsen. I disse aspektene fremheves også viktigheten av hukommelse.
Mange studier har bekreftet at diabetes og hukommelse er uatskillelige. Diabetes påvirker hjernens normale funksjon, spesielt hukommelse, læring og kognitive evner. Det er funnet at pasienter med diabetes er mer sannsynlig enn vanlige mennesker å lide av hukommelsessvikt, nedsatt læringsevne og svekket reaksjonsevne.
Vi bør imidlertid ikke gi opp. Diabetes kan effektivt kontrolleres og dens innvirkning på kroppen vår gjennom kostholds- og livsstilsendringer.
For det første er kostholdsregulering veldig viktig. Personer med diabetes må begrense inntaket av natrium (salt), sukker og fett for å sikre et balansert matinntak. Et balansert kostinntak er gunstig for kroppens søvnkvalitet, mentale helse, hormonbalanse, metabolisme og forebygging av delvis formørkelse, som alle kan bidra til å forbedre hukommelsen og kognitive evner. For det andre, legg til litt trening. Ikke bare hjelper trening med å kontrollere blodsukkernivået, men det kan også bidra til å forbedre hukommelsen og kognitive evner ved å styrke muskler, redusere stress og bli kvitt dårlig humør.
Til slutt kreves det riktig behandling. Stabile blodsukkernivåer bidrar også til å forbedre hjernens lærings- og hukommelsesevner.
Selv om personer med diabetes kan møte ulike problemer som hukommelsestap, bør dette ikke hindre personer med diabetes i å leve et sunt og levende liv. Å overvåke kostholdet og livsstilen din, trene litt og opprettholde et optimistisk humør er veldig effektivt for helsevesenet. Det kan også bedre beskytte kroppen, hukommelsen og kognisjonen vår. Vi må forbedre hukommelsen, og Cistanche deserticola kan forbedre hukommelsen betydelig fordi Cistanche deserticola er et tradisjonelt kinesisk medisinsk materiale med mange unike effekter, hvorav en er å forbedre hukommelsen. Effekten av kjøttdeig kommer fra de ulike aktive ingrediensene den inneholder, inkludert syre, polysakkarider, flavonoider osv. Disse ingrediensene kan fremme hjernens helse på ulike måter.
Klikk vet 10 måter å forbedre hukommelsen
Den optimale modelleringsmetoden er imidlertid uklar. I 2 836 569 møter med 36 641 diabetespasienter ble dyp læring (DL) langtidsminne (LSTM)-modeller som forutsier uplanlagte, 30-dagers gjeninnleggelse utviklet og sammenlignet med flere tradisjonelle modeller. Modeller brukte EPJ-data definert av en Common DataModel.
LSTM-modellen Area Under the Receiver Operating Characteristic Curve (AUROC) var betydelig større enn for den nest beste tradisjonelle modellen [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-modell med 16 utvalgte laboratorietester ga tilsvarende ytelse som en modell med alle 981 laboratorietester. Denne nye DL-modellen kan gi grunnlaget for et mer nyttig prediksjonsverktøy for reinnleggelsesrisiko for diabetespasienter.
Introduksjon
Reinnleggelse på sykehus er et uønsket, kostbart resultat for både pasienter og sykehus.1 Pasienter med diabetes har høyere risiko for reinnleggelse innen 30 dager etter utskrivning fra sykehus (30-dag reinnleggelse) enn pasienter uten diabetes.
2-4 Av de nesten 9 millioner utskrivningene av diabetespasienter årlig i USA,5 er nesten 2 millioner 30-dagers reinnleggelser, tilsvarende minst 20 milliarder dollar i sykehuskostnader.
6, 7 Å identifisere pasienter med høyere risiko med diabetes vil gjøre det mulig å målrette intervensjoner til de som har størst behov, og optimalisere kostnad-nytte-forholdet.
Vi har tidligere publisert utviklingen og valideringen av Diabetes Early Readmission Risk Indicator (DERRITM), en logistisk regresjonsmodell (LR) som forutsier risikoen for alle årsaker 30-dagers reinnleggelse blant pasienter med diabetes.
8 DERRITM ble designet for bruk på pleiepunktet basert på brukerinndata av 10 faktorer. I delt prøve intern validering var ytelsen beskjeden (Area Under the Receiver Operating Characteristic Curve, AUROC 0,69).
I eksterne valideringsstudier var DERRITM AUROC {{0}}.63 og 0.80.9, 10 I tillegg til variabel prediktiv ytelse, krever bruk av DERRITM manuell datainnsamling og -registrering, som er store hindringer for bruk i klinisk praksis.
I annet publisert arbeid viste vi at å legge til variabler til DERRITM forbedrer prediktiv nøyaktighet til en AUROC på 0.82.11 Denne utvidede modellen (DERRIplus) er imidlertid ikke mulig å bruke på pleiestedet og inkluderte ansettelsesstatus, som ikke rutinemessig dokumenteres i elektroniske helsejournaler (EPJ).
Derfor kan denne modellen ikke direkte oversettes til et automatisert, EPJ-integrert verktøy. Det er et udekket behov for et prediksjonsverktøy for reinnleggelsesrisiko for pasienter med diabetes som er både nøyaktig og enkelt å bruke.
I løpet av de siste årene har det blitt publisert flere modeller for maskinlæring (ML) for å forutsi {{0}}dagens reinnleggelsesrisiko for diabetespasienter. Flere tradisjonelle ML-modelleringsmetoder har blitt utforsket, inkludert tilfeldig skog (RF), k-nærmeste nabo, naive Bayes, støttevektormaskin (SVM), AdaBoost og flerlagsperceptron (MLP), med et bredt spekter av ytelse (AUROC {{5 }}.53-0.99, nøyaktighet 0.54-0.99).
{{0}} Deeplearning-modeller (DL) er også utviklet for å forutsi reinnleggelsesrisiko for diabetespasienter, også med variabel ytelse (AUROC 0.61-0.97, nøyaktighet 0.{{ 5}}.95), hvorav ingen oversteg de beste tradisjonelle ML-modellene.23-27 To av disse studiene viste en klar fordel med DL-tilnærminger fremfor tradisjonelle ML-modeller,23, 24 og to studier fant marginal fordel med DL nærmer seg.
25, 27 Sammenligninger av modellytelse på tvers av alle disse studiene er imidlertid begrenset av mangelen på standardisert rapportering av ytelsesegenskaper og variable tilnærminger til testing.
Derfor er det fortsatt uklart om DL-modeller overgår tradisjonelle ML-modeller ved å forutsi risiko for gjeninnleggelse for pasienter med diabetes.
Interessant nok ble alle disse tidligere modellene utviklet på samme datasett,28 bortsett fra DERRITM og DERRIplus. Dette offentlig tilgjengelige datasettet inneholder sykehusmøter med diagnosen diabetes og en liggetid på mellom 1 og 14 dager ved ett av 130 amerikanske sykehus mellom 1999 og 2008.
Bare 3 International Classification of Diseases, Ninth Revision (ICD-9) diagnostiske koder per møte, og bare 2 laboratorieverdier (blodsukker og HbA1c) ble registrert.
Til slutt skilles det ikke mellom planlagte og ikke-planlagte reinnleggelser. Dermed kan det hende at selv de beste av disse modellene ikke fungerer like godt hos pasienter i dag. Mer aktuelle, generaliserbare modeller er nødvendig.
Derfor, for å løse disse hullene, var målene for den nåværende studien som følger: 1) Å utvikle DL-modeller for prediksjon av uplanlagte 30-dagers reinnleggelse av alle årsaker, 2) Å sammenligne ytelsen til DL-modellene med tradisjonelle ML-modeller, 3)
Å utforske modellytelse på tvers av en rekke tidligere EPJ-møter fra 1 til 100 som er inkludert i modellutvikling, og 4) Å sammenligne en DL-modell utviklet ved bruk av et undersett av laboratorietester valgt av domenekunnskap med en DL-modell utviklet ved bruk av alle tilgjengelige laboratorietester.
Alle modellene ble utviklet og testet i et datasett med 2 836 569 møter av 36 641 pasienter med diabetes ved bruk av demografi, vitale tegn, diagnostiske og prosedyrekoder, medisiner, laboratorietester og administrative data som definert av National Patient-Centered Clinical Research Network (PCORnet) Common Data Model (CDM).29
Materialer og metoder
Definisjon av pasientkohorten
Inklusjonskriterier var pasienter med minst én utskrivning fra noen av de tre Temple University Health Systemhospitals i Philadelphia, PA, mellom 1. juli 2010 og 31. desember 2020, og diabetes definert av minst én av følgende: en diagnose av diabetes ( ICD-9: 249. xx eller 250. xx eller ICD-10: E08.xxx til og med E13.xxx); aHemoglobin A1c (HbA1c) nivå Større enn eller lik 6,5 %, eller en bestilling på en diabetesspesifikk medisin.
Møter ble ekskludert for pasienter i alderen<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).
Pasientene ble sortert i én av 2 grupper etter reinnleggelsesstatus: de som hadde minst én 30-dagers reinnleggelse og de som ikke hadde det. Blant pasientene som hadde reinnleggelse, ble ett innleggelse-reinnleggelsespar tilfeldig valgt ut for analyse. Blant pasientene som ikke hadde reinnleggelse, ble én innleggelse valgt tilfeldig for analyse.
Definisjon av variabler og dataforbehandling
Tabeller ble trukket ut fra CDM for hvert av følgende domener: møter, demografi, diagnoser, laboratorietester, medisinbestillinger, prosedyrer og vitale tegn. Fordi funksjoner i et gitt møte eksisterte i flere tabeller, ble tabeller slått sammen med en unik identifikator. Sammenslåing av ekstraherte tabeller resulterte i en prøve som inneholder alle poster for et gitt møte.
Dette resulterte i betydelige mangler. Dermed ble savnet brukt som en separat funksjon. For kontinuerlige funksjoner ble manglende data erstattet med 0, mens kategoriske funksjoner ble erstattet med en unik kategori.
Totalt 23 funksjoner ble brukt som input til modellene: 14 ble hentet fra CDM og 9 ble aggregert. Uttrukket funksjoner var: 1) Oppmøtetype (Innpatient, Legevakt, Observasjonsopphold, Ambulant besøk, Annet ambulant besøk, Telehelse og Annet; 2) Utskrivningsstatus (hjelpehjem, mot medisinsk rådgivning, utløpt, hjemmehelse, hjemme-/selvomsorg, hospice, sykehjem, rehabiliteringsinstitusjon, dyktig sykepleie; 3)Sex; 4) latinamerikansk; 5) Rase (amerikansk indianer/Alaska innfødt, asiatisk, svart, stillehavsøyboer, hvit, annen/ingen informasjon); 6) Tobakk (nåværende bruker, aldri bruker, tidligere bruker, passiv eksponering, annen/ingen informasjon); 7) alder; 8)
Diagnose Clinical Classification System (CCS)-koder;29 9) Prosedyre CCS-koder;29 10) Laboratorieresultater; 11) Medisinbestilling innen 1 år før hvert møte; 12) Diastolisk blodtrykk; 13) Systolisk blodtrykk; og 14) Kroppsmasseindeks (BMI).
Aggregerte funksjoner var: 1) Elixhauser-tilstander: en binær funksjon som indikerer tilstedeværelse eller fravær av hver tilstand;30 2) Varighet av innleggelse (oppholdets lengde i dager); 3) flere prosedyrekoder før konvertering til CCS-kode; 4) flere diagnosekoder før konvertering til CCS-kode; 5) antall dager siden forrige møte uavhengig av møtetype; 6) flere dager siden forrige innlagte, observasjons- eller akuttmottak; 7) flere dager siden forrige møte med andre (ikke-sykehus) møtetyper; 8) flere pasient-, observasjons- og akuttmottak før det aktuelle møtet; og 9) flere andre (ikke-sykehus) møter før det aktuelle møtet.
ICD-9-koder ble konvertert til ICD-10-koder for å forene kodeformatet. ICD-10-koder og prosedyrekoder ble konvertert til CCS-koder. Basert på domenekunnskap, ble medisiner som er relevante for diabetes kategorisert som følger: diabetesmedisiner etter klasse, kolesterol, kortikosteroider, renin-angiotensin system (RAAS) blodtrykksmidler og ikke-RAS blodtrykksmidler. Andre medisiner ble ignorert.
Funksjoner som ble funnet å ikke være pålitelige, for det meste manglende eller korrelerte ble fjernet. Ytterligere funksjoner som datoer, resultater, høyde, vekt, BMI og blodtrykk (systolisk og diastolisk) ble fjernet ved å observere datafordelingene, persentilene og domenekunnskapen. Manglende verdier ble behandlet som en annen kategori som indikerer at en parameter ikke ble samlet inn om møtet.
Det primære resultatet for modellprediksjon(�) var uplanlagt gjeninnleggelse av alle årsaker innen 30 dager etter utskrivning fra pasienter som definert av Centers for Medicare & Medicaid Services (CMS).31 Basert på CMS-definisjonen, kun den første reinnleggelsen innen 30 år. dager ble analysert.
For more information:1950477648nn@gmail.com
