Мицрософт Ворд – дубоко учење наспрам традиционалних модела_Абдел Хаи_Завршно. 1. део

Апстрактан

Потребан је алат за предвиђање ризика поновног пријема у болницу за пацијенте са дијабетесом на основу података из електронског здравственог картона (ЕХР).

Са побољшањем животног стандарда људи, дијабетес је постао уобичајена хронична болест у нашој земљи. Људи са дијабетесом морају добро да воде рачуна о свом телу и стално прате и прилагођавају своју исхрану и животне навике како би осигурали своје здравље. У овим аспектима је такође наглашен значај памћења.

Многе студије су потврдиле да су дијабетес и памћење неодвојиви. Дијабетес утиче на нормално функционисање мозга, посебно на памћење, учење и когнитивне способности. Утврђено је да пацијенти са дијабетесом чешће него обични људи пате од опадања памћења, смањене способности учења и ослабљене способности реакције.

Међутим, не треба одустати. Дијабетес се може ефикасно контролисати и његов утицај на наше тело кроз исхрану и промене начина живота.

Пре свега, регулација исхране је веома важна. Људи са дијабетесом морају да ограниче унос натријума (соли), шећера и масти како би осигурали уравнотежен унос хране. Уравнотежен унос исхраном је користан за квалитет сна, ментално здравље, хормонску равнотежу, метаболизам и превенцију делимичног помрачења, а све то може помоћи у побољшању памћења и когнитивних способности. Друго, додајте мало вежбе. Вежбање не само да помаже у контроли нивоа шећера у крви, већ може помоћи и у побољшању памћења и когнитивних способности јачањем мишића, смањењем стреса и ослобађањем од лошег расположења.

Коначно, потребан је одговарајући третман. Стабилни нивои шећера у крви такође помажу у побољшању способности учења и памћења мозга.

Иако се људи са дијабетесом могу суочити са разним проблемима као што је губитак памћења, то не би требало да спречи људе са дијабетесом да живе здравим и живахним животом. Праћење ваше исхране и начина живота, вежбање и одржавање оптимистичног расположења су веома ефикасни за здравствену негу. Такође може боље заштитити наше тело, памћење и спознају. Морамо побољшати памћење, а цистанцхе десертицола може значајно побољшати памћење јер је цистанцхе десертицола традиционални кинески медицински материјал са много јединствених ефеката, од којих је једно побољшање памћења. Ефикасност млевеног меса потиче од различитих активних састојака које садржи, укључујући киселину, полисахариде, флавоноиде, итд. Ови састојци могу да унапреде здравље мозга на различите начине.

Кликните на сазнајте 10 начина за побољшање меморије

Оптимални приступ моделирању, међутим, није јасан. У 2.836.569 сусрета са 36.641 пацијентом са дијабетесом, развијени су модели дубоког учења (ДЛ) дуготрајне краткорочне меморије (ЛСТМ) који предвиђају непланирани, 30-дневни поновни пријем свих узрока и упоређен са неколико традиционалних модела. Модели су користили ЕХР податке дефинисане заједничким моделом података.

ЛСТМ модел Површина испод криве оперативних карактеристика пријемника (АУРОЦ) била је значајно већа од оне код следећег најбољег традиционалног модела [ЛСТМ {{0}}}.79 наспрам случајне шуме (РФ) 0,72, п<0.0001]. Experiments showed that the performance of the LSTM models increased as the prior encounter number increased up to 30 encounters. 

ЛСТМ модел са 16 одабраних лабораторијских тестова дао је еквивалентне перформансе моделу са свих 981 лабораторијских тестова. Овај нови ДЛ модел може пружити основу за кориснији алат за предвиђање ризика од поновног пријема за пацијенте са дијабетесом.

Увод

Поновни пријем у болницу је непожељан, скуп исход и за пацијенте и за болнице.1 Пацијенти са дијабетесом имају већи ризик од поновног пријема у року од 30 дана од отпуста из болнице (30-дневни поновни пријем) од пацијената без дијабетеса.

2-4 Од скоро 9 милиона отпуштања пацијената са дијабетесом годишње у САД5, скоро 2 милиона су 30-дневни поновни пријеми, што одговара болничким трошковима од најмање 20 милијарди долара.

6, 7 Идентификовање пацијената са високим ризиком од дијабетеса омогућило би циљање интервенција на оне којима је највећа потреба, оптимизујући однос трошкова и користи.

Раније смо објавили развој и валидацију индикатора ризика од раног поновног пријема дијабетеса (ДЕРРИТМ), модела логистичке регресије (ЛР) који предвиђа ризик од 30-дневног поновног пријема свих узрока међу пацијентима са дијабетесом.

8 ДЕРРИТМ је дизајниран за употребу на месту неге на основу корисничког уноса од 10 фактора. У интерној валидацији подељеног узорка, перформансе су биле скромне (област испод криве радне карактеристике пријемника, АУРОЦ 0,69).

У студијама екстерне валидације, ДЕРРИТМ АУРОЦ је био {{0}}.63 и 0.80.9, 10 Поред променљивих предиктивних перформанси, примена ДЕРРИТМ-а захтева ручно прикупљање и унос података, што представља главне препреке његовој употреби у клиничке праксе.

У другом објављеном раду, показали смо да додавање променљивих у ДЕРРИТМ значајно побољшава тачност предвиђања за АУРОЦ од 0.82.11 Овај проширени модел (ДЕРРИплус), међутим, није изводљив за употребу на месту неге и укључује статус запослења, што није рутински документовано у електронским здравственим картонима (ЕХР).

Стога се овај модел не може директно превести у аутоматизовани алат који је интегрисан у ЕХР. Постоји неиспуњена потреба за алатом за предвиђање ризика од поновног пријема за пацијенте са дијабетесом који је прецизан и лак за употребу.

Током протеклих неколико година, објављени су вишеструки модели машинског учења (МЛ) за предвиђање {{0}}дневног ризика поновног пријема пацијената са дијабетесом. Истражено је неколико традиционалних приступа МЛ моделирању, укључујући случајну шуму (РФ), к-најближег суседа, наивне Бајесове, машину за векторе подршке (СВМ), АдаБоост и вишеслојни перцептрон (МЛП), са широким опсегом перформанси (АУРОЦ {{5 }}.53-0.99, тачност 0.54-0.99).

{{0}} Модели дубоког учења (ДЛ) су такође развијени за предвиђање ризика поновног пријема пацијената са дијабетесом, такође са променљивим учинком (АУРОЦ 0.61-0.97, тачност 0.{{ 5}}.95), од којих ниједна није премашила оне од најбољих традиционалних МЛ модела.23-27 Две од ових студија су показале јасну предност ДЛ приступа у односу на традиционалне МЛ моделе,23, 24, а две студије су откриле маргиналну корист од ДЛ приступи.

25, 27 Поређења перформанси модела у свим овим студијама, међутим, ограничена су недостатком стандардизованог извештавања о карактеристикама перформанси и променљивим приступима тестирању.

Стога, остаје нејасно да ли ДЛ модели надмашују традиционалне моделе МЛ у предвиђању ризика поновног пријема за пацијенте са дијабетесом.

Занимљиво је да су сви ови претходни модели развијени на истом скупу података,28 осим за ДЕРРИТМ и ДЕРРИплус. Овај јавно доступан скуп података садржи болничке сусрете са дијагнозом дијабетеса и дужину боравка између 1 и 14 дана у једној од 130 америчких болница између 1999. и 2008.

Забележена су само 3 дијагностичка кода Међународне класификације болести, девете ревизије (ИЦД-9) по сусрету и само 2 лабораторијске вредности (глукоза у крви и ХбА1ц).

На крају, не постоји разлика између планираних и непланираних реадмисија. Стога, чак и најбољи од ових модела можда неће бити тако добри код пацијената данас. Потребни су актуелнији модели који се могу генерализовати.

Због тога, да би се поправили ови недостаци, циљеви тренутне студије су били следећи: 1) да се развију ДЛ модели за предвиђање непланираних 30-дневних реадмисија за све узроке, 2) да се упореде перформансе ДЛ модела са традиционални МЛ модели, 3)

Истражити перформансе модела у низу претходних ЕХР сусрета од 1 до 100 који су укључени у развој модела, и 4) Упоредити ДЛ модел развијен коришћењем подскупа лабораторијских тестова одабраних од стране знања о домену са ДЛ моделом развијеним коришћењем свих доступних лабораторијских тестова.

Сви модели су развијени и тестирани у скупу података од 2,836,569 сусрета 36,641 пацијената са дијабетесом користећи демографске податке, виталне знакове, дијагностичке и шифре процедура, лекове, лабораторијске тестове и административне податке како је дефинисано од стране Националне мреже за клиничка истраживања у центру пажње (ПЦОРнет) заједничког модела података. (ЦДМ).29

Материјали и методе

Дефиниција групе пацијената

Критеријуми за укључивање су били пацијенти са најмање једним отпустом из било које од три болнице Темпле универзитетског здравственог система у Филаделфији, Пенсилванија, између 1. јула 2010. и 31. децембра 2020. и дијабетесом дефинисаним најмање једним од следећих: дијагноза дијабетеса ( ИЦД-9: 249. кк или 250. кк или ИЦД-10: Е08.ккк до Е13.ккк); а Ниво хемоглобина А1ц (ХбА1ц) већи или једнак 6,5% или наруџбина за лекове специфичне за дијабетес.

Сусрети су били искључени за пацијенте старости<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).

Пацијенти су распоређени у једну од 2 групе према статусу реадмисије: они који су имали поновни пријем најмање један 30-дан и они који нису. Међу пацијентима који су имали поновни пријем, један пар пријем-поновни пријем је насумично одабран за анализу. Међу пацијентима који нису имали поновни пријем, један пријем је одабран насумично за анализу.

Дефинисање променљивих и претходна обрада података

Табеле су извучене из ЦДМ-а за сваки од следећих домена: сусрети, демографија, дијагнозе, лабораторијски тестови, налози за лекове, процедуре и витални знаци. Пошто су карактеристике датог сусрета постојале у више табела, табеле су спојене јединственим идентификатором. Спајање екстрахованих табела резултирало је узорком који садржи све записе за дати сусрет.

То је резултирало значајним недостацима. Дакле, недостатак је коришћен као посебна карактеристика. За непрекидне карактеристике, подаци који недостају су замењени са 0, док су категоричка обележја замењена јединственом категоријом.

Укупно 23 карактеристике су коришћене као улазни подаци за моделе: 14 је извучено из ЦДМ-а, а 9 је агрегирано. Издвојене карактеристике су: 1) Тип сусрета (стационар, одељење за хитне случајеве, опсервациони боравак, амбулантна посета, друга амбулантна посета, телездравље и Остало; 2) Отпусни статус (Установа за помоћ при становању, против медицинских савета, истекао, Здравље код куће, Кућна/самостална нега, Хоспис, Старачки дом, Установа за рехабилитацију, Установа за квалификоване неге; 3) Пол; 4) Хиспанац; 5) Раса (Амерички Индијанци/домородци Аљаске, Азијати, Црнци, Острвљани Пацифика, Белци, остало/без информација); 6) Дуван (тренутни корисник, никад корисник, бивши корисник, пасивна изложеност, остало/без информација); 7) старост; 8)

Кодови система клиничке класификације дијагнозе (ЦЦС);29 9) ЦЦС кодови за процедуре;29 10) лабораторијски резултати; 11) Наруџбина лекова у року од 1 године пре сваког сусрета; 12) дијастолни крвни притисак; 13) систолни крвни притисак; и14) Индекс телесне масе (БМИ).

Обједињене карактеристике су биле: 1) Еликхаусер услови: бинарна карактеристика која указује на присуство или одсуство сваког услова;30 2) Трајање пријема (дужина боравка у данима); 3) неколико процедуралних кодова пре конверзије у ЦЦС код; 4) неколико дијагностичких кодова пре конверзије у ЦЦС код; 5) број дана од претходног сусрета без обзира на врсту сусрета; 6) неколико дана од претходног сусрета са стационаром, опсервацијом или хитном помоћи; 7) неколико дана од претходног сусрета са другим (ванболничким) врстама сусрета; 8) више стационарних, опсервацијских и ургентних сусрета пре текућег сусрета; и 9) неколико других (неболничких) сусрета пре текућег сусрета.

ИЦД-9 кодови су конвертовани у ИЦД-10 кодове ради обједињавања формата кода. ИЦД-10 кодови и кодови процедура су конвертовани у ЦЦС кодове. На основу знања из домена, лекови релевантни за дијабетес су категорисани на следећи начин: лекови за дијабетес према класи, холестерол, кортикостероиди, агенси за крвни притисак ренин-ангиотензин (РААС) и агенси за крвни притисак који нису РАС. Остали лекови су игнорисани.

Карактеристике за које је утврђено да нису поуздане, углавном недостају или повезане су уклоњене. Изузетне карактеристике као што су датуми, резултати, висина, тежина, БМИ и крвни притисак (систолни и дијастолни) су уклоњени посматрањем дистрибуције података, перцентила и знања о домену. Недостајуће вредности су третиране као друга категорија која указује да параметар није прикупљен о сусрету.

Примарни исход за предвиђање модела(�) био је непланирани поновни пријем у болницу за све узроке у року од 30 дана од отпуста због болничког сусрета, како је дефинисано од стране центара за Медицаре & Медицаид Сервицес (ЦМС).31 На основу ЦМС дефиниције, само први поновни пријем у року од 30 дана је анализирана.

For more information:1950477648nn@gmail.com