Microsoft Word — głębokie uczenie się a modele tradycyjne_Abdel Hai_Final.Część 3

W tym badaniu przeprowadzono szeroko zakrojone eksperymenty w celu ustalenia, ile wcześniejszych spotkań jest optymalnych do przewidzenia ponownej hospitalizacji.

Wraz ze wzrostem tempa życia, każdego dnia jesteśmy narażeni na ogromną ilość informacji i musimy zachować pewną ilość pamięci, aby lepiej je przyswoić i wykorzystać. Wiele osób może uważać, że ich pamięć nie jest wystarczająco silna, ale szeroko zakrojone badania eksperymentalne wykazały, że pamięć można trenować i ulepszać.

W pierwszym powiązanym eksperymencie sprawdzano wpływ jogi na poprawę pamięci. Eksperyment przeprowadzony na Uniwersytecie Kalifornijskim w San Francisco wykazał, że praktyka jogi zwiększa ilość istoty szarej w mózgu i poprawia pamięć krótko- i długoterminową uczniów. Dzieje się tak dlatego, że joga ma bardzo dobry wpływ zdrowotny na zdrowie fizyczne i psychiczne ludzi, może złagodzić stres i niepokój, a tym samym poprawić pamięć.

W drugim eksperymencie badano związek między snem a pamięcią. Naukowcy odkryli, że wystarczająca ilość snu korzystnie wpływa na pamięć. Sen może promować przekazywanie informacji między komórkami mózgowymi, pomagać w konsolidacji wspomnień i poprawiać ich długoterminową pojemność.

Trzeci eksperyment polega na wykorzystaniu gier matematycznych w celu poprawy zdolności liczenia i pamięci uczniów. W eksperymencie przeprowadzonym na Uniwersytecie w Hongkongu badacze poprosili studentów o wykonanie prostych czynności matematycznych w celu pobudzenia aktywności mózgu. Wyniki pokazały, że po odbyciu szkolenia poprawiły się zdolności obliczeniowe i pamięć uczniów. Pokazuje to, że przy odpowiednim treningu i stymulacji funkcjonowanie mózgu można kompleksowo poprawić.

Dzięki powyższym eksperymentom wiemy, że pamięć można trenować i ulepszać, więc nie musisz się zbytnio martwić, że twoja pamięć nie jest wystarczająco dobra. Możemy skutecznie poprawić naszą pamięć i lepiej radzić sobie z wyzwaniami współczesnego życia, wykonując odpowiednie ćwiczenia, takie jak ćwiczenia jogi, odpowiedni sen i różne gry. Widać, że musimy poprawić pamięć, a Cistanche desericola może znacznie poprawić pamięć, ponieważ Cistanche desericola to tradycyjny chiński materiał leczniczy, który ma wiele unikalnych efektów, z których jednym jest poprawa pamięci. Skuteczność mięsa mielonego wynika z różnych zawartych w nim składników aktywnych, w tym kwasów, polisacharydów, flawonoidów itp. Składniki te mogą na różne sposoby promować zdrowie mózgu.

Kliknij Poznaj 10 sposobów na poprawę pamięci

Przeprowadziliśmy eksperymenty, biorąc pod uwagę � spotkania w ciągu poprzednich 2 lat, gdzie � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100}. Średnia liczba spotkań na pacjenta w tym okresie wyniosła 21, a 90. percentyl wyniósł 56.

Różnice w liczbie spotkań skutkowały niejednolitą długością wektorów cech. Zatem w eksperymencie, który uwzględnia do 60 spotkań, wektory cech pozbawione danych zostały uzupełnione zerami, aby mieć pewność, że wektory cech dla wszystkich pacjentów reprezentują 60 spotkań.

W badaniu tym postawiono hipotezę, że modele DL przewyższają tradycyjne modele w dużym benchmarku, dlatego przeprowadzono analizę porównawczą z różnymi metrykami oceny w celu oceny i porównania algorytmów DL z podstawowymi modelami tradycyjnymi.

Co więcej, aby zbadać znaczenie wiedzy dziedzinowej, przeszkoliliśmy i przetestowaliśmy modele na danych ze wszystkich badań laboratoryjnych zawartych w zbiorze danych EHR oraz porównaliśmy z modelami wyszkolonymi i przetestowanymi z podzbiorem badań laboratoryjnych w oparciu o wcześniejsze artykuły opisujące związek z readmisją (albumina w surowicy, anion lukę, pH tętnicze, bilirubina, azot mocznikowy we krwi, dwutlenek węgla, kreatynina w surowicy, poziom glukozy we krwi, hematokryt, mleczan, PaCO2, PaO2, sód w surowicy, troponina-I, pH żylne i liczba białych krwinek).11,34 Używając wyłącznie podzbiór badań laboratoryjnych może być korzystny poprzez zmniejszenie wymiarowości.

Pacjentów przydzielono losowo do 3 nienakładających się na siebie podzbiorów, z których 70% wykorzystano do szkolenia, 10% do walidacji i 20% do testów. Zastosowaliśmy techniki sprawdzania krzyżowego, aby znaleźć hiperparametry zapewniające najlepszą wydajność.

W przypadku LSTM i GRU zróżnicowaliśmy liczbę neuronów, utratę danych, wielkość partii i liczbę epok za pomocą wyszukiwania siatkowego. Zgodnie z literaturą, w przeprowadzonych eksperymentach odsetek rezygnacji wahał się od 0 do 50, a liczba neuronów wahała się od 32 do 512.

Wybraliśmy porzucenie 0.1, 128 neuronów, wielkość partii 512 i 16 epok dla LSTM i 12 epok dla GRU, ponieważ dwukierunkowy GRU zbiega się szybciej niż 1-sposób LSTM. Funkcja aktywacji sigmoidalnej i optymalizator Adama. Tradycyjne modele również zostały dostrojone i wybrano hiperparametry zapewniające najlepszą wydajność.

Metryki i analiza wydajności

Skuteczność metod zastosowanych w naszym badaniu oceniano za pomocą pięciu typowych wskaźników: obszar pod krzywą charakterystyki działania odbiornika (AUROC), pamięć (znana również jako czułość), swoistość, wynik F1- i dokładność. Formalne definicje tych mierników ewaluacji są powszechne i można je łatwo znaleźć.34

Przeprowadzono analizę istotności statystycznej w celu oceny stabilności i istotności działania proponowanego modelu.Losowo wybraliśmy różnych pacjentów do szkolenia i testów, a następnie powtórzyliśmy losowy wybór 10 razy, aby wygenerować średnie pomiary wydajności i 95% przedziały ufności.

LSTM porównano z najlepiej działającym modelem tradycyjnym (RF) za pomocą testu t. Wartość p<0.05 was considered statistically significant. The Temple University Institutional Review Board approved the protocol.

Wyniki

Łącznie przeanalizowano 36 641 pacjentów z 2 836 569 spotkaniami. 9130 pacjentów miało co najmniej jedną ponowną hospitalizację, a 27 511 pacjentów nie miało ponownej hospitalizacji. Wpływ liczby spotkań w ciągu ostatnich 2 lat oceniano dla pięciu modeli predykcyjnych, gdzie dla każdego modelu brano pod uwagę � spotkań, a eksperymenty powtarzano dla � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100} .

Rysunek 2 przedstawia AUROC proponowanego modelu, LSTM, w porównaniu z tradycyjnymi modelami dla różnej liczby spotkań. Wykonano również dwukierunkowe GRU, ale pominięto je, ponieważ osiągnięto identyczny AUROC z LSTM. LSTM uzyskało lepsze wyniki niż tradycyjne modele w dużym teście porównawczym we wszystkich eksperymentach z różną liczbą spotkań.

Średnio modele LSTM dały wzrost AUROC o {{0}}.06 w porównaniu z najskuteczniejszymi tradycyjnymi modelami RF. Eksperymenty pokazują, że przewidywanie readmisji na podstawie pojedynczego wcześniejszego spotkania nie jest wystarczające i daje znacznie niższą wydajność (0,7 w przypadku modeli DL i 0,68 w przypadku najskuteczniejszego modelu tradycyjnego).

Modele DL osiągnęły plateau po przeszkoleniu na podstawie danych z 30spotkań, a następnie nastąpiła minimalna poprawa. Algorytm DL przyniósł wzrost AUROC o 0,07 w porównaniu z najskuteczniejszym tradycyjnym modelem RF przy zastosowaniu optymalnej liczby spotkań, czyli 80.

Tabela 1 przedstawia wydajność modeli LSTM i tradycyjnych przy użyciu wszystkich testów laboratoryjnych z maksymalnie 80 najnowszych liczników w ciągu ostatnich 2 lat. Ogólnie rzecz biorąc, przedziały ufności były bardzo małe (<0.02), indicating a high degree of precision around the means. 

Zaproponowana metoda LSTM pozwoliła uzyskać średni AUROC wynoszący {{0}},79 przy 95% CI wynoszącym 0,001. Wartość p uzyskana poprzez porównanie LSTM AUROC z drugim najskuteczniejszym modelem (RF) wynosiła<0.0001, hence, LSTM performance was significantly greater than the traditional models.

Modele LSTM osiągnęły współczynnik przypominania/czułości na poziomie 0,81, co wskazuje, że skuteczność w przewidywaniu prawdziwie pozytywnych wyników (tj. prawidłowej klasyfikacji pacjentów ponownie przyjętych) była dość dobra.

Wszystkie modele użyte w naszym badaniu osiągnęły bardzo dobrą specyficzność (tzn. prawdziwie ujemny współczynnik). Zatem wyszkolone modele dobrze radziły sobie z przewidywaniem pacjentów, którzy prawdopodobnie nie zostaną ponownie przyjęci. LSTM uzyskało wynik F{{0}} na poziomie 0,80, co wskazuje na bardzo dobrą zdolność rozróżniania pacjentów, którzy zostaną ponownie przyjęci, a którzy nie.

Aby ustalić, czy wiedza dziedzinowa na temat badań laboratoryjnych jest pomocna, przeprowadziliśmy dwa różne eksperymenty, w których przeszkoliliśmy i przetestowaliśmy model w oparciu o podzbiór 16 unikalnych badań laboratoryjnych wybranych na podstawie wiedzy dziedzinowej w porównaniu z wykorzystaniem wszystkich 981 unikalnych badań laboratoryjnych uwzględnionych w danych.

Wykorzystano i zmodyfikowano techniki kodowania One Hot w celu powiązania wyniku laboratoryjnego z każdym kodem laboratoryjnym. Stworzono długą, unikalną gamę kodów laboratoryjnych������_���_�����. Dla każdego spotkania utworzono tablicę zer � o tej samej długości co ������_���{{3}�����. �składał się z wyniku o tym samym indeksie każdego badania laboratoryjnego w������_���_��������, aby powiązać wynik z danym kodem laboratorium. Spotkanie bez wyników laboratoryjnych miałoby zero, co oznacza, że ​​dla danego spotkania nie przeprowadzono żadnego testu laboratoryjnego.

Ponieważ większość spotkań zawierała<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).

Dyskusja

W tej retrospektywnej kohorcie 36 563 pacjentów chorych na cukrzycę modele DL przewyższały modele RF, MLP, AdaBoost i LR w przewidywaniu nieplanowanej 30-dniowej ponownej hospitalizacji z dowolnej przyczyny. Optymalny model LSTM dał AUROC na poziomie 0,79 i dokładność na poziomie 0,81, co wskazuje na bardzo dobrą wydajność. Eksperymenty mające na celu ujawnienie związku między liczbą wcześniejszych spotkań a wydajnością modelu pokazują, że AUROC modeli LSTM wzrastał wraz ze wzrostem liczby spotkań i utrzymywał się na stałym poziomie po 30 spotkaniach. Wydajność tradycyjnych modeli wzrosła w mniejszym stopniu, aż do liczby poprzednich spotkań wynoszącej 15 lub 30, a następnie albo spadła (RF), albo spadła (MLP, AdaBoost, LR) wraz ze wzrostem liczby spotkań. Wreszcie model LSTM obejmujący zestaw 16 testów laboratoryjnych wybranych na podstawie wiedzy dziedzinowej zapewnił wydajność równoważną modelowi LSTM obejmującemu wszystkie dostępne testy laboratoryjne.

W naszym badaniu modele DL wypadły lepiej niż modele tradycyjne. Znamy 4 badania, w których porównywano modele DL z tradycyjnymi modelami przewidywania ryzyka ponownej hospitalizacji pacjentów chorych na cukrzycę. Dwa z tych badań wykazały wyraźną przewagę podejścia DL nad tradycyjnymi modelami ML23,24, podczas gdy w dwóch badaniach stwierdzono marginalne korzyści z podejścia DL.25,27 Skuteczność tych modeli DL była zmienna w przypadku AUROC 0.61-0 0,97 i dokładność 0.69-0,95, z których żaden nie przewyższał najlepszych tradycyjnych modeli ML, które raportowały AUROC na poziomie 0,99 i dokładności {{13} }.99.23,27 Porównania wydajności modeli we wszystkich tych badaniach są jednak ograniczone ze względu na brak standaryzowanego raportowania charakterystyk wydajności i zróżnicowanego podejścia do testowania. Nasze badanie, w porównaniu z wcześniejszymi badaniami, w których bezpośrednio porównywano DL z tradycyjnymi modelami ML, sugeruje, że podejścia DL zwykle dają lepsze wyniki w tej populacji.

Nie są nam znane żadne inne prace, w których badano związek między liczbą wcześniejszych wizyt a wynikami modelu ryzyka readmisji u pacjentów chorych na cukrzycę. Jednakże w powiązanej pracy w jednym artykule zbadano, w jaki sposób skuteczność modeli przewidywania ryzyka ponownej hospitalizacji u pacjentów z chorobliwą otyłością zmieniała się w miarę wzrostu liczby hospitalizacji z minimum 2 do 5,35 AUROC, wzrostu z 2 do 3 hospitalizacji, a następnie ustabilizowania się. W innym szeroko powiązanym badaniu odkryliśmy, że skuteczność modeli LR w przewidywaniu ryzyka ponownej hospitalizacji pacjentów chorych na cukrzycę zwykle rosła wraz ze wzrostem wielkości próby z 2,000 do 6,000, a następnie utrzymywała się na stałym poziomie .36 Wyniki tych badań sugerują, że eksperymentowanie z różnymi liczbami spotkań i wielkościami próbek może ujawnić progi, które mogłyby zoptymalizować analizę danych, równoważąc ilość informacji z wymiarem.

Nie są nam również znane żadne inne badania, w których porównywano modele ryzyka readmisji na podstawie danych laboratoryjnych wybranych na podstawie wiedzy dziedzinowej ze wszystkimi danymi laboratoryjnymi dostępnymi u pacjentów z cukrzycą. Istnieje kompromis pomiędzy uwzględnieniem wszystkich danych laboratoryjnych, co skutkuje większą wymiarowością i kosztownymi obliczeniowo modelami, a zaangażowaniem eksperta dziedzinowego w celu wybrania podzbioru danych laboratoryjnych, co może być kosztowne i mniej wykonalne. Podobnie jak liczba wcześniejszych spotkań, powyżej których wydajność modelu nie uległa poprawie, odkrycie, że wydajność modelu z podzbiorem danych laboratoryjnych była równoważna modelowi ze wszystkimi danymi laboratoryjnymi, sugeruje, że w tej dziedzinie występuje podobny plateau. Należy zbadać, czy zjawisko to można uogólnić na inne populacje pacjentów.

Prezentowane modele LSTM, które nazywamy eDERRITM, stanowią rozwinięcie naszych wcześniejszych modeli, DERRITM i DERRIplus.8,11 Pod względem AUROC model eDERRITM spisał się lepiej niż DERRITM, ale gorzej niż DERRIplus. Niestety, w bieżącym badaniu nie można bezpośrednio porównać wyników tych 3 modeli, ponieważ zbiór danych nie zawiera kodu pocztowego, statusu zatrudnienia ani informacji o płatniku. W przeciwieństwie do DERRITM i DERRIplus, modele eDERRITM są opracowywane na podstawie ogólnie dostępnych danych EHR, takich jak dane demograficzne, parametry życiowe, kody diagnostyczne i proceduralne, leki, badania laboratoryjne i dane administracyjne zgodnie z definicją PCORnet CDM.29 CDM standaryzuje abstrakcję danych EHR, zwiększenie możliwości uogólniania i skalowalności modeli wykorzystujących tę technologię. Planujemy przełożyć eDERRITM na aplikację osadzoną w systemie EHR, która będzie automatycznie generować prognozy ryzyka readmisji dla hospitalizowanych pacjentów z cukrzycą.

Oprócz możliwości uogólnienia zbioru danych opartego na CDM, obecne badanie ma inne istotne zalety. Próbkę zbioru danych pobrano od pacjentów hospitalizowanych w okresie od 1 lipca 2010 r. do 31 grudnia 2020 r., czyli znacznie nowszych niż zbiory danych stosowane w innych obecnie publikowanych modelach ryzyka ponownej hospitalizacji pacjentów z cukrzycą. Również w przeciwieństwie do najczęściej używanego zbioru danych, który obejmował jedynie wizyty w szpitalu z powiązaną diagnozą cukrzycy i pobytem krótszym niż 15 dni, bieżący zbiór danych obejmował wszystkie rodzaje spotkań niezależnie od powiązanej diagnozy, obejmując zarówno dane dotyczące pacjentów hospitalizowanych, jak i ambulatoryjnych. Wreszcie wielkość próby wynosząca 36 563 pacjentów z 2 836 569 spotkaniami dostarczyła wystarczających danych do opracowania modeli DL i przeprowadzenia eksperymentów z maksymalnie 100 wcześniejszymi spotkaniami.

Istnieją pewne ograniczenia, z którymi warto się zapoznać. Dane zostały pobrane z jednego miejskiego, akademickiego systemu opieki zdrowotnej. Dlatego też możliwość uogólnienia modeli na inne populacje jest nieznana i wymaga przetestowania. Brak kodów pocztowych zarówno pacjenta, jak i szpitala uniemożliwia oszacowanie odległości między domowym kodem pocztowym pacjenta a szpitalem, co, jak wiadomo, wiąże się z ryzykiem readmisji.8,11 Wreszcie nie uwzględniono readmisji do innych szpitali.

Wniosek

Opracowano i wewnętrznie przetestowano model LSTM o bardzo dobrych parametrach pozwalających przewidzieć nieplanowaną 30-dniową ponowną hospitalizację z dowolnej przyczyny wśród pacjentów chorych na cukrzycę. Modele LSTM przewyższają tradycyjne modele w przewidywaniu readmisji w tej populacji. Wydajność modelu LSTM początkowo wzrasta wraz ze wzrostem liczby wcześniejszych spotkań, a następnie utrzymuje się na stałym poziomie. Starannie wybrane cechy laboratoryjne mogą dać modele predykcyjne o wydajności równej modelom opartym na wszystkich dostępnych badaniach laboratoryjnych. Aby zewnętrznie zweryfikować model, potrzebne są dodatkowe badania.

Podziękowanie

Badania te były wspierane przez Narodowy Instytut Zdrowia (NIH) w ramach grantu nr R01DK122073.

Bibliografia

1. Benbassat J, Taragin M. Ponowne przyjęcia do szpitala jako miara jakości opieki zdrowotnej: zalety i ograniczenia. Archiwum Chorób Wewnętrznych. 2000;160:1074-1081.

2. Rubin DJ. Ponowne przyjęcie do szpitala pacjentów chorych na cukrzycę. Aktualne raporty dotyczące cukrzycy. 2015;15:1-9.

3. Ostling S, Wyckoff J, Ciarkowski SL, Pai CW, Choe HM, Bahl V i in. Zależność między cukrzycą a 30-wskaźnikami ponownych hospitalizacji. Cukrzyca kliniczna i endokrynologia. 2017;3:3.

4. Enomoto LM, Shrestha DP, Rosenthal MB, Hollenbeak CS, Gabbay RA. Czynniki ryzyka związane z 30-dniową ponowną hospitalizacją i długością pobytu pacjentów z cukrzycą typu 2. J Powikłania cukrzycy. 2017;31:122-127.

5. AHRQ, projekt dotyczący kosztów i wykorzystania opieki zdrowotnej (hcup), krajowa próba pacjentów hospitalizowanych (nis). , 2018.

6. ADA. Koszty ekonomiczne cukrzycy w USA w 2017 r. Diabetes Care. 2018;41:917-928.

7. Rubin DJ, Shah AA. Przewidywanie i zapobieganie ponownemu korzystaniu z opieki doraźnej przez pacjentów chorych na cukrzycę. Bieżące raporty dotyczące cukrzycy. 2021;21.

8. Rubin DJ, Handorf EA, Golden SH, Nelson DB, McDonnell ME, Zhao H. Opracowanie i walidacja nowatorskiego narzędzia do przewidywania ryzyka ponownej hospitalizacji pacjentów chorych na cukrzycę. Praktyka Endokr. 2016;22:1204-1215.

9. Rubin DJ, Recco D, Turchin A, Zhao H, Golden SH. Zewnętrzna walidacja wskaźnika wczesnego ryzyka ponownej hospitalizacji z powodu cukrzycy (Terri ()). Praktyka Endokr. 2018;24:527-541.10. Alamer AA, Patanwala AE, Aldayyen AM, Fazel MT. Walidacja i porównanie dwóch 30-dniowych modeli przewidywania ponownej hospitalizacji u pacjentów chorych na cukrzycę. Praktyka Endokr. 2019;25:1151-1157.

For more information:1950477648nn@gmail.com