Мицрософт Ворд – Дубоко учење наспрам традиционалних модела_Абдел Хаи_Завршно. 3. део

У овој студији, спроведени су опсежни експерименти како би се утврдило колико је претходних сусрета оптимално за предвиђање поновног пријема.

Како се темпо живота убрзава, свакодневно смо изложени великој количини информација и потребно је да одржавамо одређену количину меморије да бисмо боље апсорбовали и искористили те информације. Многи људи можда осећају да њихово памћење није довољно снажно, али кроз опсежна експериментална истраживања можемо открити да се памћење може тренирати и побољшати.

Први повезани експеримент је посматрао ефекте јоге на побољшање памћења. Експеримент, спроведен на Универзитету Калифорније у Сан Франциску, показао је да вежбање јоге повећава сиву материју у мозгу и побољшава краткорочно и дуготрајно памћење ученика. То је зато што јога има веома добар здравствени ефекат на физичко и ментално здравље људи, може ублажити стрес и анксиозност, а самим тим и побољшати памћење људи.

Други експеримент је истраживао однос између сна и памћења. Истраживачи су открили да је довољно сна добро за памћење људи. Спавање може подстаћи пренос информација између можданих ћелија, помоћи у консолидацији сећања и побољшати капацитет дугорочног складиштења сећања.

Трећи експеримент је коришћење математичких игара за побољшање способности и памћења ученика. У експерименту, спроведеном на Универзитету у Хонг Конгу, истраживачи су тражили од студената да изводе једноставне математичке активности како би стимулисали своју мождану активност. Резултати су показали да се након завршене обуке код ученика побољшала рачунска способност и памћење. Ово показује да се уз одговарајућу обуку и стимулацију функција мозга може свеобухватно побољшати.

Кроз горе наведене експерименте, знамо да се памћење може тренирати и побољшати, и да не морате превише да бринете да ваше памћење није довољно добро. Извођењем одговарајућих вежби, као што су вежбе јоге, адекватан сан и разне игре, можемо ефикасно да побољшамо своје памћење и да се боље носимо са изазовима савременог живота. Види се да морамо побољшати памћење, а цистанцхе десертицола може значајно побољшати памћење јер је цистанцхе десертицола традиционални кинески медицински материјал који има 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

Спровели смо експерименте узимајући у обзир � сусрете у претходне 2 године, где је � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100}. Просечан број сусрета по пацијенту у овом периоду био је 21, а 90.перцентил 56.

Варијација у броју сусрета резултирала је неуједначеном дужином вектора карактеристика. Дакле, у експерименту који разматра до 60 сусрета, вектори карактеристика којима недостају подаци су допуњени 0с како би се осигурало да вектори карактеристика за све пацијенте представљају 60 сусрета.

Ова студија је поставила хипотезу да ДЛ модели надмашују традиционалне моделе на великом бенчмарку, стога је урађена компаративна анализа са различитим метрикама евалуације да би се проценили и упоредили ДЛ алгоритми са основним традиционалним моделима.

Штавише, да бисмо испитали важност знања о домену, обучили смо и тестирали моделе података са свим лабораторијским студијама укљученим у ЕХР скуп података и упоредили са моделима обученим и тестираним са подскупом лабораторијских студија на основу претходних радова који извештавају о повезаности са реадмисијом (серумски албумин, ањон јаз, артеријски пХ, билирубин, азот урее у крви, угљен диоксид, креатинин у серуму, глукоза у крви, хематокрит, лактат, ПаЦО2, ПаО2, серум натријум, тропонин-И, венски пХ и број белих крвних зрнаца).11, 34 Коришћење само подскуп лабораторијских студија може бити од користи смањењем димензионалности.

Пацијенти су насумично сортирани у 3 подскупа који се не преклапају, при чему је 70% коришћено за обуку, 10% за валидацију и 20% за тестирање. Користили смо технике унакрсне валидације да бисмо пронашли хиперпараметре који дају најбоље перформансе.

За ЛСТМ и ГРУ, мењали смо број неурона, испадање, величину серије и број епоха користећи претрагу мреже. Према литератури, у спроведеним експериментима проценат одустајања је варирао од 0 до 50, а број неурона од 32 до 512.

Изабрали смо напуштање 0.1, 128 неурона, величину групе од 512 и 16 епоха за ЛСТМ и 12 епоха за ГРУ пошто двосмерни ГРУ конвергира брже од 1-пута ЛСТМ. Сигмоидна функција активације и Адам оптимизатор су коришћени. Традиционални модели су такође фино подешени и изабрани су хиперпараметри који су дали најбоље перформансе.

метрика и анализа учинка

Учинак метода коришћених у нашој студији је процењен помоћу пет уобичајених метрика: површина испод криве радне карактеристике пријемника (АУРОЦ), опозив (познат и као осетљивост), специфичност, Ф1-скор и тачност. Формалне дефиниције ових метрика евалуације су уобичајене и лако се могу пронаћи.34

Урађена је статистичка анализа значајности да би се проценила стабилност и значај перформанси предложеног модела.Насумично смо одабрали различите пацијенте за обуку и тестирање и поновили насумични избор 10 пута да бисмо генерисали средње мере учинка и 95% интервала поверења.

ЛСТМ је упоређен са традиционалним моделом са најбољим учинком (РФ) помоћу т-теста. П-вредност<0.05 was considered statistically significant. The Temple University Institutional Review Board approved the protocol.

Резултати

Анализиран је 36.641 пацијент са 2.836.569 сусрета. Било је 9.130 пацијената са најмање једном реадмисијом и 27.511 без реадмисије. Утицај броја сусрета у претходне 2 године процењен је за пет модела предвиђања где су � сусрети сматрани за сваки модел, а експерименти су поновљени за � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100} .

Слика 2 представља АУРОЦ предложеног модела, ЛСТМ, наспрам традиционалних модела кроз различит број сусрета. Двосмерни ГРУ је такође изведен, али је изостављен јер је постигао идентичан АУРОЦто ЛСТМ. ЛСТМ је надмашио традиционалне моделе на великом бенцхмарку у свим експериментима са различитим бројем сусрета.

У просеку, ЛСТМ модели су дали повећање АУРОЦ-а од {{0}}.06 у поређењу са традиционалним моделима са најбољим учинком, РФ. Експерименти показују да предвиђање реадмисије на основу једног претходног сусрета није довољно и да је дало много ниже перформансе (0,7 коришћењем ДЛ модела и 0,68 коришћењем традиционалног модела са најбољим учинком).

ДЛмодели су достигли плато када су обучени користећи податке из 30сусрета уз минимално побољшање након тога. ДЛалгоритам је дао повећање АУРОЦ-а за 0,07 у односу на традиционални модел РФ са најбољим учинком када се користи оптималан број сусрета, 80.

Табела 1 показује перформансе ЛСТМ и традиционалних модела користећи све лабораторијске тестове од до 80 најновијих сусрета у претходне 2 године. Све у свему, интервали поверења су били веома мали (<0.02), indicating a high degree of precision around the means. 

Предложени метод, ЛСТМ, добио је просечан АУРОЦ од {{0}}.79 са 95% ЦИ од 0,001. П-вредност добијена поређењем ЛСТМ АУРОЦ са другим моделом са најбољим перформансама (РФ) је<0.0001, hence, LSTM performance was significantly greater than the traditional models.

ЛСТМ модели су постигли опозив/осетљивост од 0.81, што указује на то да је учинак био прилично јак у предвиђању истинских позитивних резултата (тј., исправно класификовање пацијената са поновним пријемом).

Сви модели коришћени у нашој студији постигли су веома добру специфичност (тј. праву негативну стопу). Дакле, обучени модели су се добро показали у предвиђању пацијената за које није вероватно да ће бити поново примљени. ЛСТМ је постигао Ф{{0}}скор од 0,80, што указује на веома добру способност разликовања пацијената који ће бити поново примљени или не.

Да бисмо утврдили да ли је знање из домена лабораторијских студија од помоћи, спровели смо два различита експеримента где смо обучили и тестирали модел на основу подскупа од 16 јединствених лабораторијских студија одабраних на основу знања о домену у односу на коришћење свих 981 јединствених лабораторијских студија укључених у податке.

Коришћена је и модификована једна техника Хот кодирања да се лабораторијски резултат повеже са сваким лабораторијским кодом. Направљен је дугачак јединствени низ лабораторијских кодова������_���_�����. За сваки сусрет, креиран је низ нула � исте дужине као �����_���_�����. �састоји се од резултата на истом индексу сваког лабораторијског теста у������_���_�������, да би се резултат повезао са датим кодом лабораторије. Сусрет без лабораторијских резултата би имао � оф нула, што указује да за дати сусрет није спроведен никакав лабораторијски тест.

Пошто је већина сусрета садржала<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).

Дискусија

У овој ретроспективној кохорти од 36.563 пацијената са дијабетесом, ДЛ модели су надмашили РФ, МЛП, АдаБоост и ЛР моделе у предвиђању непланираних 30-дневних поновних пријема за све узроке. Оптимални ЛСТМ модел је дао АУРОЦ од 0,79 и тачност од 0,81, што указује на веома добре перформансе. Експерименти осмишљени да открију однос између броја претходних сусрета и перформанси модела показују да се АУРОЦ ЛСТМ модела повећавао како се број сусрета повећавао и платоирао на 30 сусрета. Перформансе традиционалних модела су се повећале у мањој мери до претходних бројева сусрета од 15 или 30, а затим су се или смањиле (РФ) или смањиле (МЛП, АдаБоост, ЛР) како се број сусрета повећао. Коначно, ЛСТМ модел који је укључивао скуп од 16 лабораторијских тестова одабраних према познавању домена дао је еквивалентне перформансе ЛСТМ моделу који је укључивао све доступне лабораторијске тестове.

У нашој студији, ДЛ модели су радили боље од традиционалних модела. Свесни смо 4 студије које су упоређивале ДЛ моделе са традиционалним моделима за предвиђање ризика поновног пријема пацијената са дијабетесом. Две од ових студија су показале јасну предност ДЛ приступа у односу на традиционалне моделе МЛ,23,24 док су две студије откриле маргиналну корист од ДЛ приступа.25,27 Перформансе ових ДЛ модела су биле променљиве са АУРОЦ 0.61-0 0,97 и тачност од 0.69-0,95, од којих ниједан није премашио оне од најбољих традиционалних модела МЛ, који су пријавили АУРОЦ до 0,99 и тачност од {{13} }.99.23,27 Поређења перформанси модела у свим овим студијама, међутим, ограничена су недостатком стандардизованог извештавања о карактеристикама перформанси и променљивим приступима тестирању. Наша студија разматрана са претходним студијама које су директно упоређивале ДЛ са традиционалним моделима МЛ, сугерише да ДЛ приступи обично дају боље перформансе у овој популацији.

Нису нам познати други радови који су истраживали везу између броја претходних сусрета и перформанси модела ризика од поновне пријема код пацијената са дијабетесом. Међутим, у сродним радовима, један рад је испитао како су перформансе модела за предвиђање ризика од поновног пријема код морбидно гојазних пацијената варирале како се број хоспитализација повећао са минималних 2 на 5,35 АУРОЦ се повећао са 2 на 3 хоспитализације које су тада стављене на плато. У другој широко повезаној студији, открили смо да учинак ЛР модела за предвиђање ризика од поновног пријема пацијената са дијабетесом има тенденцију повећања како се величина узорка повећава са 2,000 на 6,000, а затим пада .36 Ово истраживање сугерише да експериментисање у низу бројева сусрета и величина узорака може открити прагове који би могли да оптимизују анализу података, балансирајући количину информација са димензионалношћу.

Такође нам нису познате друге студије које су упоређивале моделе ризика од поновног пријема користећи лабораторијске податке одабране на основу знања из домена са свим доступним лабораторијским подацима код пацијената са дијабетесом. Постоји компромис између укључивања свих лабораторијских података, што резултира већом димензионалношћу и рачунарски скупљим моделима, и укључивања стручњака за домен да одабере подскуп лабораторијских података, што може бити скупо и мање изводљиво. Као и број претходних сусрета након којих се перформансе модела нису побољшале, налаз да је перформансе модела са подскупом лабораторијских података еквивалентан моделу са свим лабораторијским подацима сугерише да постоји сличан плато за овај домен. Требало би испитати да ли се овај феномен генерализује на друге популације пацијената.

Представљени ЛСТМ модели, које називамо еДЕРРИТМ, продужетак су наших претходних модела, тхеДЕРРИТМ и ДЕРРИплус.8,11 У погледу АУРОЦ-а, еДЕРРИТМ модел је имао бољи учинак од ДЕРРИТМ али лошије од ДЕРРИплус-а. Нажалост, перформансе 3 модела се не могу директно упоредити у тренутној студији јер скуп података не укључује поштански број, статус запослења или информације о платиоцу. За разлику од ДЕРРИТМанд ДЕРРИплус, еДЕРРИТМ модели су развијени са опште доступним ЕХР подацима као што су демографија, витални знаци, дијагностички и кодови процедура, лекови, лабораторијски тестови и административни подаци како је дефинисано од стране ПЦОРнет ЦДМ.29 ЦДМ стандардизује апстракцију ЕХР података, побољшање генерализације и скалабилности модела који га користе. Планирамо да преведемо еДЕРРИТМ у апликацију уграђену у ЕХР систем који ће аутоматски генерисати предвиђања ризика од поновног пријема за хоспитализоване пацијенте са дијабетесом.

Поред могућности генерализације скупа података заснованог на ЦДМ-у, тренутна студија има и друге значајне предности. Скуп података је узоркован од пацијената са хоспитализацијом између 1.7.2010. и 31.12.2020., што је много новије од скупова података који се користе за друге тренутно објављене моделе ризика од поновног пријема код пацијената са дијабетесом. Такође, за разлику од најчешће коришћеног скупа података, који је укључивао само болничке сусрете са повезаном дијагнозом дијабетеса и дужином боравка мањим од 15 дана, тренутни скуп података је укључивао све врсте сусрета без обзира на придружену дијагнозу, обухватајући и болничке и амбулантне податке. На крају, величина узорка од 36.563 пацијената са 2.836.569 сусрета пружила је довољно података за развој ДЛ модела и спровођење експеримената са до 100 претходних сусрета.

Постоје нека ограничења која вреди признати. Подаци су узорковани из једног урбаног, академског здравственог система. Стога је генерализација модела на друге популације непозната и захтева тестирање. Недостатак поштанских бројева и за пацијенте и за болницу онемогућава процену удаљености између пацијентовог кућног поштанског броја и болнице, за коју се зна да је повезано са ризиком поновног пријема.8,11 На крају, поновни пријеми у друге болнице нису обухваћени.

Закључак

Развијен је и интерно тестиран ЛСТМ модел са веома добрим перформансама који предвиђа непланирани, 30-дневни поновни пријем за све узроке код пацијената са дијабетесом. ЛСТМ модели надмашују традиционалне моделе у предвиђању поновног пријема у овој популацији. Перформансе ЛСТМ модела у почетку се повећавају како се број претходних сусрета повећава, а затим и пада. Пажљиво одабране лабораторијске карактеристике могу дати предиктивне моделе са перформансама једнаким моделима заснованим на свим доступним лабораторијским студијама. Потребна је додатна студија за екстерну валидацију модела.

Признања

Ово истраживање је подржао Национални здравствени институт (НИХ) под бројем гранта Р01ДК122073.

Референце

1. Бенбассат Ј, Тарагин М. Поновно примање болница као мера квалитета здравствене заштите: предности и ограничења. Архив за интерну медицину. 2000;160:1074-1081.

2. Рубин ДЈ. Болнички поновни пријем пацијената са дијабетесом. Тренутни извештаји о дијабетесу. 2015;15:1-9.

3. Остлинг С, Вицкофф Ј, Циарковски СЛ, Паи ЦВ, Цхое ХМ, Бахл В, ет ал. Однос између дијабетесмелитуса и 30-дневних стопа поновног пријема. Клинички дијабетес и ендокринологија. 2017;3:3.

4. Еномото ЛМ, Схрестха ДП, Росентхал МБ, Холленбеак ЦС, Габбаи РА. Фактори ризика повезани са 30-дневним поновним пријемом и дужином боравка код пацијената са дијабетесом типа 2. Ј Компликације дијабетеса. 2017;31:122-127.

5. АХРК, Пројекат трошкова и коришћења здравствене заштите (хцуп) национални болнички узорак (нис). , 2018.

6. АДА. Економски трошкови дијабетеса у САД У 2017. Брига о дијабетесу. 2018;41:917-928.

7. Рубин ДЈ, Схах АА. Предвиђање и спречавање поновне употребе акутне неге код пацијената са дијабетесом. Цуррент Диабетес Репортс. 2021;21.

8. Рубин ДЈ, Хандорф ЕА, Голден СХ, Нелсон ДБ, МцДоннелл МЕ, Зхао Х. Развој и валидација новог алата за предвиђање ризика поновног пријема у болницу међу пацијентима са дијабетесом. Ендоцр Працт. 2016;22:1204-1215.

9. Рубин ДЈ, Реццо Д, Турцхин А, Зхао Х, Голден СХ. Екстерна валидација индикатора ризика од раног поновног пријема дијабетеса (Терри ()). Ендоцр Працт. 2018;24:527-541.10. Аламер АА, Патанвала АЕ, Алдајјен АМ, Фазел МТ. Валидација и поређење два 30-модела предвиђања поновног пријема код пацијената са дијабетесом. Ендоцр Працт. 2019;25:1151-1157.

For more information:1950477648nn@gmail.com