Microsoft Word – poglobljeno učenje proti tradicionalnim modelom_Abdel Hai_Končno. 1. del
Jan 03, 2024
Povzetek
Potrebno je orodje za napovedovanje tveganja ponovnega sprejema v bolnišnico za bolnike s sladkorno boleznijo, ki temelji na podatkih elektronskega zdravstvenega zapisa (EHR).
Z izboljšanjem življenjskega standarda ljudi je sladkorna bolezen pri nas postala pogosta kronična bolezen. Ljudje s sladkorno boleznijo morajo skrbno skrbeti za svoje telo ter nenehno spremljati in prilagajati svojo prehrano in življenjske navade, da zagotovijo svoje zdravje. V teh vidikih je poudarjen tudi pomen spomina.
Številne raziskave so potrdile, da sta sladkorna bolezen in spomin neločljiva. Sladkorna bolezen vpliva na normalno delovanje možganov, zlasti na spomin, učenje in kognitivne sposobnosti. Ugotovljeno je bilo, da bolniki s sladkorno boleznijo pogosteje kot običajni ljudje trpijo za upadom spomina, zmanjšano sposobnostjo učenja in oslabljeno reakcijsko sposobnostjo.
Vendar ne smemo obupati. Sladkorno bolezen in njen vpliv na naše telo je mogoče učinkovito nadzorovati s spremembo prehrane in življenjskega sloga.
Najprej je zelo pomembna ureditev prehrane. Ljudje s sladkorno boleznijo morajo omejiti vnos natrija (soli), sladkorja in maščob, da zagotovijo uravnotežen vnos hrane. Uravnotežen prehranski vnos je koristen za kakovost spanja telesa, duševno zdravje, hormonsko ravnovesje, metabolizem in preprečevanje delnega mrka, vse to pa lahko pomaga izboljšati spomin in kognitivne sposobnosti. Drugič, dodajte nekaj vadbe. Ne samo, da vadba pomaga nadzorovati raven sladkorja v krvi, ampak lahko tudi pomaga izboljšati spomin in kognitivne sposobnosti s krepitvijo mišic, zmanjšanjem stresa in odpravljanjem slabega razpoloženja.
Končno je potrebno ustrezno zdravljenje. Stabilne ravni sladkorja v krvi prav tako pomagajo izboljšati učne in spominske sposobnosti možganov.
Čeprav se ljudje s sladkorno boleznijo lahko soočajo z različnimi težavami, kot je izguba spomina, to ljudem s sladkorno boleznijo ne bi smelo preprečiti zdravega in živahnega življenja. Spremljanje prehrane in življenjskega sloga, vadba in ohranjanje optimističnega razpoloženja so zelo učinkoviti pri skrbi za zdravje. Prav tako lahko bolje zaščiti naše telo, spomin in kognicijo. Izboljšati moramo spomin in Cistanche deserticola lahko bistveno izboljša spomin, saj je Cistanche deserticola tradicionalno kitajsko zdravilno sredstvo s številnimi edinstvenimi učinki, med katerimi je tudi izboljšanje spomina. Učinkovitost mletega mesa izhaja iz različnih učinkovin, ki jih vsebuje, vključno s kislino, polisaharidi, flavonoidi itd. Te sestavine lahko na različne načine spodbujajo zdravje možganov.
Kliknite spoznajte 10 načinov za izboljšanje spomina
Optimalni pristop modeliranja pa je nejasen. V 2.836.569 srečanjih s 36.641 bolniki s sladkorno boleznijo so bili razviti modeli dolgega kratkoročnega spomina (LSTM) globokega učenja (DL), ki napovedujejo nenačrtovano 30-dnevno ponovni sprejem, in primerjani z več tradicionalnimi modeli. Modeli so uporabili podatke EHR, opredeljene s skupnim podatkovnim modelom.
Model LSTM Area Under the Receiver Operating Characteristic Curve (AUROC) je bil znatno večji od tistega pri naslednjem najboljšem tradicionalnem modelu [LSTM {{0}}].79 proti 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.
Model LSTM s 16 izbranimi laboratorijskimi testi je dosegel enakovredno zmogljivost kot model z vsemi 981 laboratorijskimi testi. Ta novi model DL lahko predstavlja osnovo za uporabnejše orodje za napovedovanje tveganja ponovnega sprejema za bolnike s sladkorno boleznijo.
Uvod
Ponovni sprejem v bolnišnico je nezaželen in drag izid tako za bolnike kot za bolnišnice.1 Pri bolnikih s sladkorno boleznijo je tveganje ponovnega sprejema v 30 dneh po odpustu iz bolnišnice (30-dnevni ponovni sprejem) večje kot pri bolnikih brez sladkorne bolezni.
2-4 Od skoraj 9 milijonov odpustov bolnikov s sladkorno boleznijo letno v ZDA5, sta skoraj 2 milijona 30-dnevnih ponovnih sprejemov, kar ustreza vsaj 20 milijardam dolarjev bolnišničnih stroškov.
6, 7 Prepoznavanje bolnikov s sladkorno boleznijo z večjim tveganjem bi omogočilo usmerjanje intervencij na tiste, ki jih najbolj potrebujejo, kar bi optimiziralo razmerje med stroški in koristmi.
Pred tem smo objavili razvoj in validacijo kazalnika tveganja zgodnjega ponovnega sprejema sladkorne bolezni (DERRITM), modela logistične regresije (LR), ki napoveduje tveganje 30-dnevnega ponovnega sprejema bolnikov s sladkorno boleznijo zaradi vseh vzrokov.
8 DERRITM je bil zasnovan za uporabo na mestu oskrbe na podlagi uporabniškega vnosa 10 dejavnikov. Pri notranji validaciji deljenih vzorcev je bila zmogljivost skromna (območje pod krivuljo delovanja sprejemnika, AUROC 0,69).
V zunanjih validacijskih študijah je bil DERRITM AUROC {{0}}.63 in 0.80.9, 10. Poleg spremenljive napovedne zmogljivosti uporaba DERRITM zahteva ročno zbiranje in vnos podatkov, kar sta glavni oviri za njegovo uporabo v klinična praksa.
V drugem objavljenem delu smo pokazali, da dodajanje spremenljivk v DERRITM bistveno izboljša napovedno natančnost za AUROC 0.82.11 Ta razširjeni model (DERRIplus) pa ni izvedljiv za uporabo na točki oskrbe in vključenega zaposlitvenega statusa, ki ni rutinsko dokumentiran v elektronskih zdravstvenih kartotekah (EHR).
Zato tega modela ni mogoče neposredno prevesti v avtomatizirano orodje, integrirano v EHR. Obstaja neizpolnjena potreba po orodju za napovedovanje tveganja ponovnega sprejema za bolnike s sladkorno boleznijo, ki je hkrati natančno in enostavno za uporabo.
V zadnjih nekaj letih je bilo objavljenih več modelov strojnega učenja (ML) za napovedovanje {{0}}dnevnega tveganja ponovnega sprejema bolnikov s sladkorno boleznijo. Raziskanih je bilo več tradicionalnih pristopov modeliranja ML, vključno z naključnim gozdom (RF), k-najbližjim sosedom, naivnim Bayesom, podpornim vektorskim strojem (SVM), AdaBoostom in večplastnim perceptronom (MLP), s širokim razponom zmogljivosti (AUROC {{5 }}.53-0.99, natančnost 0.54-0.99).
{{0}} Modeli poglobljenega učenja (DL) so bili razviti tudi za napovedovanje tveganja ponovnega sprejema sladkornih bolnikov, tudi s spremenljivo zmogljivostjo (AUROC 0.61-0.97, natančnost 0.{{ 5}}.95), nobeden od njih ni presegel najboljših tradicionalnih modelov ML.23-27 Dve od teh študij sta pokazali jasno prednost pristopov DL pred tradicionalnimi modeli ML,23, 24, dve študiji pa sta ugotovili mejno korist z DL pristopi.
25, 27 Vendar pa so primerjave delovanja modela v vseh teh študijah omejene zaradi pomanjkanja standardiziranega poročanja o značilnostih delovanja in spremenljivih pristopih k testiranju.
Zato ostaja nejasno, ali modeli DL presegajo tradicionalne modele ML pri napovedovanju tveganja ponovnega sprejema za bolnike s sladkorno boleznijo.
Zanimivo je, da so bili vsi ti prejšnji modeli razviti na istem naboru podatkov,28 razen za DERRITM in DERRIplus. Ta javno dostopen nabor podatkov vsebuje bolnišnična srečanja z diagnozo sladkorne bolezni in dolžino bivanja med 1 in 14 dnevi v eni od 130 ameriških bolnišnic med letoma 1999 in 2008.
Zabeležene so bile samo 3 diagnostične kode Mednarodne klasifikacije bolezni devete revizije (ICD-9) na srečanje in samo 2 laboratorijski vrednosti (glukoza v krvi in HbA1c).
Nazadnje, ni razlike med načrtovanimi in nenačrtovanimi ponovnimi sprejemi. Tako tudi najboljši od teh modelov morda ne bodo delovali tako dobro pri današnjih bolnikih. Potrebni so bolj aktualni, posplošljivi modeli.
Da bi odpravili te vrzeli, so bili cilji trenutne študije naslednji: 1) razviti modele DL za napovedovanje nenačrtovanega 30-dnevnega ponovnega sprejema za vse vzroke, 2) primerjati uspešnost modelov DL z tradicionalni modeli ML, 3)
Za raziskovanje učinkovitosti modela v razponu predhodnih srečanj z EHR od 1 do 100, vključenih v razvoj modela, in 4) za primerjavo modela DL, razvitega z uporabo podmnožice laboratorijskih testov, izbranih glede na znanje domene, z modelom DL, razvitim z uporabo vseh razpoložljivih laboratorijskih testov.
Vsi modeli so bili razviti in preizkušeni v naboru podatkov o 2.836.569 srečanjih 36.641 bolnikov s sladkorno boleznijo z uporabo demografskih podatkov, vitalnih znakov, diagnostičnih in postopkovnih kod, zdravil, laboratorijskih testov in administrativnih podatkov, kot je opredeljeno v skupnem podatkovnem modelu National Patient-Centered Clinical Research Network (PCORnet). (CDM).29
Materiali in metode
Opredelitev skupine bolnikov
Kriteriji za vključitev so bili bolniki z vsaj enim odpustom iz katere koli od treh bolnišnic Temple University Health System v Philadelphii, PA, med 1. julijem 2010 in 31. decembrom 2020, in sladkorno boleznijo, opredeljeno z vsaj enim od naslednjega: diagnoza sladkorne bolezni ( ICD-9: 249. xx ali 250. xx ali ICD-10: E08.xxx do E13.xxx); a Raven hemoglobina A1c (HbA1c) večja ali enaka 6,5 % ali naročilo zdravila za sladkorno bolezen.
Srečanja so bila izključena za bolnike, stare<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).
Bolniki so bili glede na status ponovnega sprejema razvrščeni v eno od dveh skupin: tisti, ki so imeli vsaj en 30-dnevni ponovni sprejem, in tisti, ki tega niso imeli. Med bolniki, ki so imeli ponovni sprejem, je bil za analizo naključno izbran en par sprejem-ponovni sprejem. Med bolniki, ki niso imeli ponovnega sprejema, je bil za analizo naključno izbran en sprejem.
Definicija spremenljivk in predprocesiranje podatkov
Tabele so bile izvlečene iz CDM za vsako od naslednjih področij: srečanja, demografija, diagnoze, laboratorijski testi, naročila zdravil, postopki in vitalni znaki. Ker so značilnosti danega srečanja obstajale v več tabelah, so bile tabele združene z edinstvenim identifikatorjem. Z združevanjem ekstrahiranih tabel je nastal vzorec, ki vsebuje vse zapise za dano srečanje.
Posledica tega je bilo precejšnje pomanjkanje. Tako je bila manjkanje uporabljena kot ločena značilnost. Za neprekinjene funkcije so bili manjkajoči podatki nadomeščeni z 0, medtem ko so bile kategorične značilnosti nadomeščene z edinstveno kategorijo.
Kot vhodni podatki za modele je bilo uporabljenih skupno 23 funkcij: 14 jih je bilo izvlečenih iz CDM, 9 pa združenih. Izvlečene funkcije so bile: 1) Vrsta srečanja (stacionarni bolnik, oddelek za nujne primere, opazovanje, ambulantni obisk, drugi ambulantni obisk, telezdravje in Drugo; 2) Status odpusta (Oskrbovana stanovanjska ustanova, Proti zdravniškemu nasvetu, Potekel, Zdravstvena oskrba na domu, Dom/Samooskrba, Hospic, Dom za ostarele, Rehabilitacijski zavod, Ustanova za kvalificirano nego; 3) Spol; 4) Hispanic; 5) Rasa (ameriški Indijanec/domorodec na Aljaski, Azijec, črnec, pacifiški otočan, belec, drugo/ni podatkov); 6) Tobak (trenutni uporabnik, nikoli uporabnik, nekdanji uporabnik, pasivna izpostavljenost, drugo/brez informacij); 7) starost; 8)
Kode sistema klinične klasifikacije diagnoze (CCS);29 9) Kode CCS postopka;29 10) Laboratorijski rezultati; 11) Naročanje zdravil v 1 letu pred vsakim srečanjem; 12) Diastolični krvni tlak; 13) Sistolični krvni tlak; in14) indeks telesne mase (ITM).
Skupne značilnosti so bile: 1) Elixhauserjeva stanja: binarna značilnost, ki kaže na prisotnost ali odsotnost vsakega stanja;30 2) Trajanje sprejema (dolžina bivanja v dnevih); 3) več kod postopkov pred pretvorbo v kodo CCS; 4) več diagnostičnih kod pred pretvorbo v kodo CCS; 5) število dni od prejšnjega srečanja ne glede na vrsto srečanja; 6) več dni od predhodnega bolnišničnega, opazovalnega ali urgentnega obiska; 7) več dni od predhodnega srečanja drugih (nebolnišničnih) vrst srečanj; 8) več bolnišničnih, opazovalnih in urgentnih srečanj pred trenutnim srečanjem; in 9) več drugih (nebolnišničnih) srečanj pred trenutnim srečanjem.
Kode ICD-9 so bile pretvorjene v kode ICD-10 za poenotenje formata kode. Kode ICD-10 in kode postopkov so bile pretvorjene v kode CCS. Na podlagi poznavanja področja so bila zdravila, pomembna za sladkorno bolezen, razvrščena na naslednji način: zdravila za sladkorno bolezen po razredu, holesterolu, kortikosteroidih, zdravilih za krvni tlak renin-angiotenzinskega sistema (RAAS) in zdravilih za krvni tlak brez RAS. Druga zdravila so bila prezrta.
Funkcije, za katere je bilo ugotovljeno, da niso zanesljive, večinoma manjkajo ali so povezane, so bile odstranjene. Zunanje lastnosti, kot so datumi, rezultati, višina, teža, ITM in krvni tlak (sistolični in diastolični), so bile odstranjene z opazovanjem porazdelitev podatkov, percentilov in poznavanja domene. Manjkajoče vrednosti so bile obravnavane kot druga kategorija, ki označuje, da parameter ni bil zbran o srečanju.
Primarni izid za modelsko napoved (�) je bil nenačrtovan ponovni sprejem v bolnišnico zaradi vseh vzrokov v 30 dneh po odpustu iz bolnišnice, kot so opredelili Centers for Medicare & Medicaid Services (CMS).31 Na podlagi definicije CMS je samo prvi ponovni sprejem v 30 dni je bilo analizirano.
For more information:1950477648nn@gmail.com
