Microsoft Word - Deep Learning vs Traditional Models_Abdel Hai_Final.Del 1
Jan 03, 2024
Abstrakt
Ett verktyg för att förutsäga risker för återinläggning på sjukhus för patienter med diabetes baserat på data från elektroniska journaler (EPJ) behövs.
Med förbättringen av människors levnadsstandard har diabetes blivit en vanlig kronisk sjukdom i vårt land. Personer med diabetes behöver ta väl hand om sina kroppar och ständigt övervaka och anpassa sina kostvanor och levnadsvanor för att säkerställa sin hälsa. I dessa aspekter lyfts också vikten av minnet fram.
Många studier har bekräftat att diabetes och minne är oskiljaktiga. Diabetes påverkar hjärnans normala funktion, särskilt minne, inlärning och kognitiva förmågor. Det har visat sig att patienter med diabetes är mer benägna än vanliga människor att drabbas av minnesförsämring, nedsatt inlärningsförmåga och försvagad reaktionsförmåga.
Vi bör dock inte ge upp. Diabetes kan effektivt kontrolleras och dess inverkan på våra kroppar genom kost- och livsstilsförändringar.
För det första är kostreglering väldigt viktig. Personer med diabetes måste begränsa sitt intag av natrium (salt), socker och fett för att säkerställa ett balanserat matintag. Ett balanserat kostintag är fördelaktigt för kroppens sömnkvalitet, mentala hälsa, hormonbalans, metabolism och förebyggande av partiell förmörkelse, vilket alla kan bidra till att förbättra minnet och kognitiva förmågor. För det andra, lägg till lite träning. Träning hjälper inte bara till att kontrollera blodsockernivåerna, utan det kan också bidra till att förbättra minnet och kognitiva förmågor genom att stärka musklerna, minska stress och bli av med dåligt humör.
Slutligen krävs rätt behandling. Stabila blodsockernivåer hjälper också till att förbättra hjärnans inlärnings- och minnesförmåga.
Även om personer med diabetes kan möta olika problem som minnesförlust, bör detta inte hindra personer med diabetes från att leva ett hälsosamt och levande liv. Att övervaka din kost och livsstil, träna lite och bibehålla ett optimistiskt humör är mycket effektiva för vården. Det kan också bättre skydda vår kropp, minne och kognition. Vi behöver förbättra minnet, och Cistanche deserticola kan förbättra minnet avsevärt eftersom Cistanche deserticola är ett traditionellt kinesiskt läkemedelsmaterial med många unika effekter, varav en är att förbättra minnet. Effekten av malet kött kommer från de olika aktiva ingredienserna det innehåller, inklusive syra, polysackarider, flavonoider, etc. Dessa ingredienser kan främja hjärnans hälsa på olika sätt.
Klicka på vet 10 sätt att förbättra minnet
Det optimala modelleringssättet är dock oklart. I 2 836 569 möten med 36 641 diabetespatienter utvecklades djupinlärning (DL) långtidsminne (LSTM) modeller som förutsäger oplanerad återinläggning av alla orsaker 30-dagar och jämfördes med flera traditionella modeller. Modeller använde EHR-data definierade av en Common DataModel.
LSTM-modellen Area Under the Receiver Operating Characteristic Curve (AUROC) var betydligt större än den för den näst bästa traditionella 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 utvalda laboratorietester gav motsvarande prestanda som en modell med alla 981 laboratorietester. Denna nya DL-modell kan ge grunden för ett mer användbart verktyg för att förutsäga risker för återintagning för diabetespatienter.
Introduktion
Återinläggning på sjukhus är ett oönskat, kostsamt resultat för både patienter och sjukhus.1 Patienter med diabetes löper större risk att återinläggas inom 30 dagar efter utskrivning (30-dag återinläggning) än patienter utan diabetes.
2-4 Av de nästan 9 miljoner utskrivningarna av diabetespatienter årligen i USA,5 är nästan 2 miljoner återinläggningar på 30-dagar, vilket motsvarar minst 20 miljarder USD i sjukhuskostnader.
6, 7 Identifiering av högriskpatienter med diabetes skulle göra det möjligt att rikta insatser till de som har störst behov, vilket optimerar kostnads-nyttoförhållandet.
Vi har tidigare publicerat utvecklingen och valideringen av Diabetes Early Remission Risk Indicator (DERRITM), en logistisk regression (LR) modell som förutsäger risken för alla orsaker 30-dag återinläggning bland patienter med diabetes.
8 DERRITM har utformats för användning på vårdplatsen baserat på användarinmatning av 10 faktorer. I intern validering med delat prov var prestandan blygsam (Area Under the Receiver Operating Characteristic Curve, AUROC 0,69).
I externa valideringsstudier var DERRITM AUROC {{0}}.63 och 0.80.9, 10 Förutom variabelpredictive prestanda kräver tillämpningen av DERRITM manuell datainsamling och inmatning, vilket är stora hinder för dess användning i klinisk praxis.
I andra publicerade arbeten visade vi att tillsats av variabler till DERRITM avsevärt förbättrar den prediktiva noggrannheten till en AUROC på 0.82.11 Den här utökade modellen (DERRIplus) är dock inte möjlig att använda på vårdplatsen och inkluderade anställningsstatus, som inte rutinmässigt dokumenteras i elektroniska hälsojournaler (EPJ).
Därför kan denna modell inte direkt översättas till ett automatiserat, EPJ-integrerat verktyg. Det finns ett otillfredsställt behov av ett verktyg för att förutsäga återintagsrisk för patienter med diabetes som är både exakt och lätt att använda.
Under de senaste åren har flera modeller för maskininlärning (ML) för att förutsäga risken för återinläggning på {{0}}dagar för diabetespatienter publicerats. Flera traditionella ML-modelleringsmetoder har utforskats, inklusive slumpmässig skog (RF), k-närmaste granne, naiva Bayes, stödvektormaskin (SVM), AdaBoost och flerskiktsperceptron (MLP), med ett brett utbud av prestanda (AUROC {{5 }}.53-0.99, noggrannhet 0.54-0.99).
{{0}} Deeplearning-modeller (DL) har också utvecklats för att förutsäga risken för återinläggning av diabetespatienter, även med variabel prestanda (AUROC 0.61-0.97, noggrannhet 0.{{ 5}}.95), varav ingen överträffade den för de bästa traditionella ML-modellerna.23-27 Två av dessa studier visade en klar fördel med DL-metoder jämfört med traditionella ML-modeller,23, 24 och två studier fann marginella fördelar med DL närmar sig.
25, 27 Jämförelser av modellprestanda i alla dessa studier begränsas dock av bristen på standardiserad rapportering av prestandaegenskaper och varierande tillvägagångssätt för testning.
Därför är det fortfarande oklart om DL-modeller överträffar traditionella ML-modeller när det gäller att förutsäga återinläggningsrisk för patienter med diabetes.
Intressant nog utvecklades alla dessa tidigare modeller på samma datauppsättning,28 förutom DERRITM och DERRIplus. Denna allmänt tillgängliga datauppsättning innehåller sjukhusmöten med diagnosen diabetes och en vistelsetid mellan 1 och 14 dagar på ett av 130 amerikanska sjukhus mellan 1999 och 2008.
Endast 3 International Classification of Diseases, Ninth Revision (ICD-9) diagnostiska koder per möte och endast 2 laboratorievärden (blodsocker och HbA1c) registrerades.
Slutligen görs ingen skillnad mellan planerade och oplanerade återintagningar. Således kanske inte ens de bästa av dessa modeller fungerar lika bra hos patienter idag. Mer aktuella, generaliserbara modeller behövs.
För att komma till rätta med dessa luckor var syftet med den aktuella studien därför följande: 1) Att utveckla DL-modeller för att förutsäga oplanerad återinläggning av 30-dagar av alla orsaker, 2) Att jämföra DL-modellernas prestanda med traditionella ML-modeller, 3)
Att utforska modellprestanda över en rad tidigare EHR-möten från 1 till 100 som ingår i modellutvecklingen, och 4) Att jämföra en DL-modell utvecklad med hjälp av en undergrupp av laboratorietester valda av domänkunskap med en DL-modell utvecklad med alla tillgängliga laboratorietester.
Alla modeller utvecklades och testades i en datauppsättning av 2 836 569 möten av 36 641 patienter med diabetes med hjälp av demografi, vitala tecken, diagnostiska och procedurkoder, mediciner, laboratorietester och administrativa data enligt definitionen av National Patient-Centered Clinical Research Network (PCORnet) Common Data Model (CDM).29
Material och metoder
Definition av patientkohorten
Inklusionskriterier var patienter med minst en utskrivning från något av de tre Temple University Health Systemsjukhusen i Philadelphia, PA, mellan 1 juli 2010 och 31 december 2020 och diabetes definierad av minst ett av följande: en diagnos av diabetes ( ICD-9: 249. xx eller 250. xx eller ICD-10: E08.xxx till E13.xxx); aHemoglobin A1c (HbA1c) nivå Större än eller lika med 6,5 %, eller en beställning på en diabetesspecifik medicin.
Möten uteslöts för äldre 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).
Patienterna sorterades in i en av två grupper efter återintagningsstatus: de som hade minst en 30-dags återinläggning och de som inte gjorde det. Bland patienterna som hade en återinläggning valdes ett par intagning-återintagning slumpmässigt ut för analys. Bland de patienter som inte hade en återinläggning valdes en intagning slumpmässigt ut för analys.
Definition av variabler och dataförbehandling
Tabeller extraherades från CDM för var och en av följande domäner: möten, demografi, diagnoser, laboratorietester, medicinbeställningar, procedurer och vitala tecken. Eftersom funktioner i ett givet möte fanns i flera tabeller slogs tabeller samman med en unik identifierare. Sammanslagning av extraherade tabeller resulterade i ett prov som innehöll alla poster för ett givet möte.
Detta resulterade i en betydande saknad. Således användes saknad som en separat funktion. För kontinuerliga funktioner ersattes saknade data med 0, medan kategoriska funktioner ersattes med en unik kategori.
Totalt 23 funktioner användes som input till modellerna: 14 extraherades från CDM och 9 aggregerades. Extraherade funktioner var: 1) Typ av möte (Inpatient, Akutmottagning, Observationsvistelse, Ambulant besök, Annat ambulerande besök, Telehealth och Övrigt; 2) Utskrivningsstatus (vårdboende, mot medicinsk rådgivning, utgången, hemhälsa, hem/självvård, hospice, vårdhem, rehabiliteringsinrättning, kvalificerad vårdanstalt; 3)Sex; 4) spansktalande; 5) Ras (indian/Alaska infödd, asiatisk, svart, Stillahavsöbor, Vit, annan/ingen information); 6) Tobak (nuvarande användare, aldrig användare, tidigare användare, passiv exponering, annan/ingen information); 7) ålder; 8)
Diagnos Clinical Classification System (CCS)-koder;29 9) Procedur CCS-koder;29 10) Laboratorieresultat; 11) Läkemedelsbeställningar inom 1 år före varje möte; 12) Diastoliskt blodtryck; 13) Systoliskt blodtryck; och 14) Body mass index (BMI).
Sammanlagda egenskaper var: 1) Elixhauser-villkor: en binär funktion som indikerar närvaron eller frånvaron av varje tillstånd;30 2) intagningens längd (vistelsetiden i dagar); 3) flera procedurkoder före konvertering till CCS-kod; 4) flera diagnoskoder före konvertering till CCS-kod; 5) antal dagar sedan föregående möte oavsett mötestyp; 6) flera dagar sedan föregående möte på slutenvård, observation eller akutmottagning; 7) flera dagar sedan det tidigare mötet med andra (icke-sjukhus) mötestyper; 8) flera slutenvårds-, observations- och akutmottagningar före det aktuella mötet; och 9) flera andra (icke-sjukhus) möten före det aktuella mötet.
ICD-9-koder konverterades till ICD-10-koder för att förena kodformatet. ICD-10-koder och procedurkoder konverterades till CCS-koder. Baserat på domänkunskap kategoriserades mediciner som är relevanta för diabetes enligt följande: diabetesmediciner efter klass, kolesterol, kortikosteroider, renin-angiotensinsystemet (RAAS) blodtrycksmedel och icke-RAS blodtrycksmedel. Andra mediciner ignorerades.
Funktioner som visade sig inte vara tillförlitliga, oftast saknas eller korrelerade togs bort. Avvikande egenskaper som datum, resultat, längd, vikt, BMI och blodtryck (systoliskt och diastoliskt) togs bort genom att observera datafördelningar, percentiler och domänkunskap. Saknade värden behandlades som en annan kategori som indikerar att en parameter inte samlades in om mötet.
Det primära resultatet för modellförutsägelse(�) var oplanerad slutenvårdsåterinläggning av alla orsaker inom 30 dagar efter en slutenvårdsutskrivning enligt definitionen av Centers for Medicare & Medicaid Services (CMS).31 Baserat på CMS-definitionen, endast den första återinläggningen inom 30 dagar analyserades.
For more information:1950477648nn@gmail.com
