Microsoft Word - Derin Öğrenmeye Karşı Geleneksel Modeller_Abdel Hai_Final.Bölüm 1

Soyut

Diyabetli hastalar için elektronik sağlık kaydı (EHR) verilerine dayalı bir hastaneye tekrar kabul riski tahmin aracına ihtiyaç vardır.

İnsanların yaşam standartlarının iyileşmesiyle birlikte diyabet ülkemizde yaygın görülen kronik bir hastalık haline geldi. Diyabetli kişilerin sağlıklarını sağlamak için vücutlarına iyi bakmaları, beslenme ve yaşam alışkanlıklarını sürekli izlemeleri ve ayarlamaları gerekir. Bu açılardan hafızanın önemi de vurgulanmaktadır.

Birçok çalışma diyabet ve hafızanın birbirinden ayrılamaz olduğunu doğruladı. Diyabet beynin normal işleyişini, özellikle hafızayı, öğrenmeyi ve bilişsel yetenekleri etkiler. Diyabetli hastaların hafıza kaybı, öğrenme yeteneğinde azalma ve reaksiyon yeteneğinde zayıflama gibi sorunlar yaşama olasılığının sıradan insanlara göre daha yüksek olduğu bulunmuştur.

Ancak vazgeçmemeliyiz. Diyabet, beslenme ve yaşam tarzı değişiklikleriyle etkili bir şekilde kontrol edilebilir ve vücudumuz üzerindeki etkisi de kontrol edilebilir.

Öncelikle beslenme düzeni çok önemli. Diyabetli kişilerin dengeli bir besin alımı sağlamak için sodyum (tuz), şeker ve yağ alımını sınırlamaları gerekir. Dengeli beslenme vücudun uyku kalitesine, ruh sağlığına, hormonal dengesine, metabolizmaya ve parçalı tutulmanın önlenmesine faydalı olup hafıza ve bilişsel yeteneklerin geliştirilmesine yardımcı olabilir. İkinci olarak, biraz egzersiz ekleyin. Egzersiz sadece kan şekeri seviyelerini kontrol etmeye yardımcı olmakla kalmaz, aynı zamanda kasları güçlendirerek, stresi azaltarak ve kötü ruh halinden kurtularak hafıza ve bilişsel yeteneklerin geliştirilmesine de yardımcı olabilir.

Son olarak uygun tedavi gereklidir. Sabit kan şekeri seviyeleri aynı zamanda beynin öğrenme ve hafıza yeteneklerinin geliştirilmesine de yardımcı olur.

Diyabetli kişiler hafıza kaybı gibi çeşitli sorunlarla karşılaşsa da bu durum diyabetli kişilerin sağlıklı ve canlı bir yaşam sürmesine engel olmamalıdır. Diyetinizi ve yaşam tarzınızı izlemek, biraz egzersiz yapmak ve iyimser ruh halinizi sürdürmek, sağlık bakımı için çok etkilidir. Ayrıca vücudumuzu, hafızamızı ve bilişimizi daha iyi koruyabilir. Belleği geliştirmemiz gerekiyor ve Cistanche Deserticola hafızayı önemli ölçüde geliştirebilir çünkü Cistanche Deserticola birçok benzersiz etkiye sahip geleneksel bir Çin tıbbi malzemesidir ve bunlardan biri hafızayı geliştirmektir. Kıymanın etkinliği asit, polisakkaritler, flavonoidler vb. dahil olmak üzere içerdiği çeşitli aktif bileşenlerden gelir. Bu bileşenler beyin sağlığını çeşitli şekillerde geliştirebilir.

Belleği geliştirmenin 10 yolunu bilin'e tıklayın

Ancak optimal modelleme yaklaşımı belirsizdir. 36.641 diyabet hastasıyla 2.836.569 karşılaşmada, planlanmamış, tüm nedenlere bağlı, 30-günlük tekrar kabulü öngören derin öğrenme (DL) uzun kısa süreli hafıza (LSTM) modelleri geliştirildi ve birkaç geleneksel modelle karşılaştırıldı. Modeller, Common DataModel tarafından tanımlanan EHR verilerini kullandı.

LSTM modeli Alıcı Çalışma Karakteristik Eğrisi Altındaki Alan (AUROC), bir sonraki en iyi geleneksel modelinkinden önemli ölçüde daha yüksekti [LSTM {{0}},79 vs Rastgele Orman (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. 

Seçilen 16 laboratuvar testine sahip bir LSTM modeli, 981 laboratuvar testinin tamamına sahip bir modele eşdeğer performans sağladı. Bu yeni DL modeli, diyabet hastaları için daha kullanışlı bir yeniden kabul riski tahmin aracının temelini oluşturabilir.

giriiş

Hastaneye yeniden yatış, hem hastalar hem de hastaneler için istenmeyen ve maliyetli bir sonuçtur.1 Diyabetli hastaların, hastaneden taburcu olduktan sonraki 30 gün içinde (30-günlük yeniden yatış) yeniden kabul edilme riski, diyabeti olmayan hastalara göre daha yüksektir.

2-4 ABD'de her yıl taburcu edilen yaklaşık 9 milyon diyabet hastasının5 neredeyse 2 milyonu, 30-günlük yeniden yatışlardır ve bu da en az 20 milyar dolarlık hastane maliyetine karşılık gelir.

6, 7 Diyabetli yüksek riskli hastaların belirlenmesi, müdahalelerin en çok ihtiyacı olanlara hedeflenmesine ve maliyet-fayda oranının optimize edilmesine olanak sağlayacaktır.

Daha önce, diyabetli hastalar arasında tüm nedenlere bağlı 30-günlük yeniden kabul riskini tahmin eden bir lojistik regresyon (LR) modeli olan Diyabet Erken Başvuru Risk Göstergesinin (DERRITM) geliştirilmesini ve doğrulanmasını yayınlamıştık.

8 DERRITM, 10 faktörün kullanıcı girdisine dayalı olarak bakım noktasında kullanılmak üzere tasarlanmıştır. Bölünmüş örnek dahili doğrulamada performans mütevazıydı (Alıcı Çalışma Karakteristik Eğrisi Altındaki Alan, AUROC 0,69).

Harici doğrulama çalışmalarında, DERRITM AUROC {{0}}.63 ve 0.80.9, 10 olmuştur. Değişken tahmin performansına ek olarak, DERRITM uygulaması, manüel veri toplama ve girişi gerektirir; klinik uygulama.

Yayınlanan diğer çalışmalarda, DERRITM'ye değişkenler eklemenin, 0 AUROC'ye yönelik tahmin doğruluğunu önemli ölçüde iyileştirdiğini gösterdik.82.11 Bununla birlikte, bu genişletilmiş model (DERRIplus), bakım noktasında kullanım için uygun değildir ve istihdam durumunu içerir, Elektronik Sağlık Kayıtlarında (EHR'ler) rutin olarak belgelenmeyen bir durumdur.

Bu nedenle bu model doğrudan otomatikleştirilmiş, EHR ile entegre bir araca çevrilemez. Diyabetli hastalar için hem doğru hem de kullanımı kolay bir yeniden kabul riski tahmin aracına yönelik karşılanmamış bir ihtiyaç vardır.

Geçtiğimiz birkaç yılda, diyabet hastalarının {{0}}günlük yeniden kabul riskini tahmin etmek için birden fazla makine öğrenimi (ML) modeli yayınlandı. Rastgele orman (RF), k-en yakın en yakın komşu, naif Bayes, destek vektör makinesi (SVM), AdaBoost ve çok katmanlı algılayıcı (MLP) dahil olmak üzere geniş bir performans aralığına (AUROC {{5) sahip çeşitli geleneksel makine öğrenimi modelleme yaklaşımları araştırılmıştır. }}.53-0.99, doğruluk 0.54-0.99).

{{0}} Derin öğrenme (DL) modelleri de diyabet hastalarının tekrar kabul riskini tahmin etmek için değişken performansla (AUROC 0.61-0.97, doğruluk 0.{{) geliştirilmiştir. 5}}.95), hiçbiri en iyi geleneksel makine öğrenimi modellerini aşmadı.23-27 Bu çalışmalardan ikisi, DL yaklaşımlarının geleneksel makine öğrenimi modellerine göre açık bir avantajını ortaya koydu,23, 24 ve iki çalışma, DL yaklaşımlarının marjinal faydasını buldu DL yaklaşıyor.

25, 27 Bununla birlikte, tüm bu çalışmalardaki model performansı karşılaştırmaları, performans özelliklerinin standartlaştırılmış raporlamasının ve teste yönelik değişken yaklaşımların eksikliği nedeniyle sınırlıdır.

Bu nedenle, DL modellerinin diyabetli hastalar için geri kabul riskini öngörmede geleneksel ML modellerinden daha iyi performans gösterip göstermediği belirsizliğini koruyor.

İlginç bir şekilde, DERRITM ve DERRIplus hariç tüm bu önceki modeller aynı veri seti28 üzerinde geliştirildi. Bu kamuya açık veri seti, 1999 ve 2008 yılları arasında 130 ABD hastanesinden birinde diyabet tanısı alan hastane karşılaşmalarını ve 1 ila 14 gün arasındaki kalış sürelerini içermektedir.

Karşılaşma başına yalnızca 3 Uluslararası Hastalık Sınıflandırması, Dokuzuncu Revizyon (ICD-9) teşhis kodu ve yalnızca 2 laboratuvar değeri (kan şekeri ve HbA1c) kaydedildi.

Son olarak, planlı ve plansız geri kabuller arasında herhangi bir ayrım yapılmamaktadır. Dolayısıyla bu modellerin en iyileri bile günümüz hastalarında aynı performansı göstermeyebilir. Daha güncel, genelleştirilebilir modellere ihtiyaç vardır.

Bu nedenle, bu boşlukları gidermek için mevcut çalışmanın amaçları şu şekildedir: 1) Planlanmamış, tüm nedenlere bağlı 30-günlük yeniden yatışın tahmini için DL modelleri geliştirmek, 2) DL modellerinin performansını, gelenekselML modelleri, 3)

Model geliştirmeye dahil edilen 1'den 100'e kadar önceki EHR karşılaşmaları boyunca model performansını araştırmak ve 4) Domainknowledge tarafından seçilen laboratuvar testlerinin bir alt kümesi kullanılarak geliştirilen bir DL modelini mevcut tüm laboratuvar testleri kullanılarak geliştirilen bir DL modeliyle karşılaştırmak.

Tüm modeller, Ulusal Hasta Merkezli Klinik Araştırma Ağı (PCORnet) Ortak Veri Modeli tarafından tanımlandığı şekilde demografik bilgiler, hayati belirtiler, tanı ve prosedür kodları, ilaçlar, laboratuvar testleri ve idari veriler kullanılarak 36.641 diyabet hastasının 2.836.569 karşılaşmasından oluşan bir veri setinde geliştirilmiş ve test edilmiştir. (CDM).29

Malzemeler ve yöntemler

Hasta kohortunun tanımı

Dahil edilme kriterleri, 1 Temmuz 2010 ile 31 Aralık 2020 tarihleri ​​arasında Philadelphia, PA'daki üç Temple Üniversitesi Sağlık Sistemi hastanesinin herhangi birinden en az bir kez taburcu olan ve aşağıdakilerden en az biri ile tanımlanan diyabeti olan hastalardı: diyabet tanısı ( ICD-9: 249.xx veya 250.xx veya ICD-10: E08.xxx ila E13.xxx); aHemoglobin A1c (HbA1c) düzeyi %6,5'e eşit veya daha büyük veya diyabete özel ilaç siparişi.

Yaşlı hastalar için karşılaşmalar hariç tutuldu<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).

Hastalar yeniden kabul durumuna göre 2 gruptan birine ayrıldı: en az bir 30-günlük yeniden kabulü olanlar ve olmayanlar. Tekrar kabul edilen hastalar arasından bir kabul-yeniden kabul çifti analiz için rastgele seçildi. Tekrar yatışı olmayan hastalardan biri analiz için rastgele seçildi.

Değişkenlerin tanımı ve veri ön işleme

Aşağıdaki alanların her biri için CDM'den tablolar çıkarıldı: karşılaşmalar, demografik bilgiler, teşhisler, laboratuvar testleri, ilaç talimatları, prosedürler ve yaşamsal belirtiler. Belirli bir karşılaşmanın özellikleri birden fazla tabloda mevcut olduğundan, tablolar benzersiz bir tanımlayıcıyla birleştirildi. Çıkarılan tabloların birleştirilmesi, belirli bir karşılaşmaya ilişkin tüm kayıtları içeren bir örnekle sonuçlandı.

Bu da ciddi bir kayıpla sonuçlandı. Böylece eksiklik ayrı bir özellik olarak kullanıldı. Sürekli özellikler için eksik veriler 0 ile, kategorik özellikler ise benzersiz bir kategoriyle değiştirildi.

Modellere girdi olarak toplam 23 özellik kullanıldı: 14'ü CDM'den çıkarıldı ve 9'u toplandı. Çıkarılan özellikler şunlardı: 1) Karşılaşma türü (Yatarak Tedavi, Acil Servis, Gözlemde Kalış, Ayaktan Ziyaret, Diğer Ayaktan Ziyaret, Telesağlık ve Diğer; 2) Taburcu Durumu (Yardımlı Yaşam Tesisi, Tıbbi Tavsiyeye Karşı, Süresi Dolmuş, Evde Sağlık, Evde/Kişisel Bakım, Darülaceze, Huzurevi, Rehabilitasyon Tesisi, Nitelikli Bakım Tesisi; 3)Cinsiyet; 4) İspanyol asıllı; 5) Irk (Amerikan Kızılderili/Alaska Yerlisi, Asyalı, Siyah, Pasifik Adalı, Beyaz, diğer/bilgi yok); 6) Tütün (Mevcut kullanıcı, hiç kullanıcı değil, eski kullanıcı, pasif maruz kalma, diğer/bilgi yok); 7) yaş; 8)

Tanı Klinik Sınıflandırma Sistemi (CCS) kodları;29 9) Prosedür CCS kodları;29 10) Laboratuvar sonuçları; 11)Her karşılaşmadan önceki 1 yıl içerisinde ilaç siparişleri; 12) Diyastolik kan basıncı; 13) Sistolik kan basıncı; ve14) Vücut kitle indeksi (BMI).

Toplanan özellikler şunlardı: 1) Elixhauser koşulları: her bir koşulun varlığını veya yokluğunu gösteren ikili bir özellik;30 2) Başvuru süresi (gün olarak kalış süresi); 3) CCS koduna dönüştürülmeden önce çeşitli prosedür kodları; 4) CCS koduna dönüştürülmeden önce birkaç teşhis kodu; 5) karşılaşma türüne bakılmaksızın önceki karşılaşmadan bu yana geçen gün sayısı; 6) daha önce yatan hasta, gözlem veya acil servis karşılaşmasından bu yana birkaç gün geçmişse; 7) diğer (hastane dışı) karşılaşma türleriyle önceki karşılaşmanın üzerinden birkaç gün geçti; 8) mevcut karşılaşmadan önce birçok yatan hasta, gözlem ve acil servis karşılaşması; ve 9) mevcut karşılaşmadan önce diğer birkaç (hastane dışı) karşılaşma.

Kod biçimini birleştirmek için ICD-9 kodları ICD-10 kodlarına dönüştürüldü. ICD-10 kodları ve prosedür kodları CCS kodlarına dönüştürüldü. Alan bilgisine dayanarak, diyabetle ilgili ilaçlar şu şekilde kategorize edildi: sınıfa göre diyabet ilaçları, kolesterol, kortikosteroidler, renin-anjiyotensin sistemi (RAAS) kan basıncı ajanları ve RAS olmayan kan basıncı ajanları. Diğer ilaçlar göz ardı edildi.

Güvenilir olmadığı, çoğunlukla eksik olduğu veya ilişkili olduğu tespit edilen özellikler kaldırıldı. Tarihler, sonuçlar, boy, kilo, BMI ve kan basıncı (sistolik ve diyastolik) gibi aykırı değerler, veri dağılımları, yüzdelikler ve alan bilgisi gözlemlenerek kaldırıldı. Eksik değerler, karşılaşmayla ilgili bir parametrenin toplanmadığını gösteren başka bir kategori olarak değerlendirildi.

Model tahmininin birincil sonucu(�), Medicare & Medicaid Services (CMS) Merkezleri tarafından tanımlandığı gibi, yatarak tedavi gören hastaların taburcu edilmesinden sonraki 30 gün içinde planlanmamış, tüm nedenlere bağlı olarak yatılı hasta yeniden kabulüydü.31 CMS tanımına göre, yalnızca 30 gün içindeki ilk yeniden yatış gün analiz edildi.

For more information:1950477648nn@gmail.com