Microsoft Word - การเรียนรู้เชิงลึกเทียบกับโมเดลแบบดั้งเดิม_Abdel Hai_Final.Part 1
Jan 03, 2024
เชิงนามธรรม
จำเป็นต้องมีเครื่องมือทำนายความเสี่ยงในการกลับเข้ารับการรักษาในโรงพยาบาลสำหรับผู้ป่วยโรคเบาหวานโดยอิงตามข้อมูลบันทึกสุขภาพอิเล็กทรอนิกส์ (EHR)
ด้วยมาตรฐานการครองชีพของผู้คนที่ดีขึ้น โรคเบาหวานจึงกลายเป็นโรคเรื้อรังที่พบบ่อยในประเทศของเรา ผู้ที่เป็นโรคเบาหวานจำเป็นต้องดูแลร่างกายของตนเองให้ดี และติดตามและปรับพฤติกรรมการรับประทานอาหารและการใช้ชีวิตอย่างต่อเนื่องเพื่อสุขภาพที่ดี ในด้านเหล่านี้ ความสำคัญของความทรงจำก็ถูกเน้นเช่นกัน
ผลการศึกษาจำนวนมากยืนยันว่าโรคเบาหวานและความจำแยกจากกันไม่ได้ โรคเบาหวานส่งผลต่อการทำงานปกติของสมอง โดยเฉพาะด้านความจำ การเรียนรู้ และความสามารถทางปัญญา พบว่าผู้ป่วยโรคเบาหวานมีแนวโน้มที่จะประสบปัญหาความจำลดลง ความสามารถในการเรียนรู้ลดลง และความสามารถในการตอบสนองลดลง
อย่างไรก็ตามเราไม่ควรยอมแพ้ โรคเบาหวานสามารถควบคุมได้อย่างมีประสิทธิภาพและผลกระทบต่อร่างกายของเราผ่านการเปลี่ยนแปลงอาหารและวิถีชีวิต
ประการแรก การควบคุมอาหารเป็นสิ่งสำคัญมาก ผู้ที่เป็นโรคเบาหวานจำเป็นต้องจำกัดปริมาณโซเดียม (เกลือ) น้ำตาล และไขมันเพื่อให้แน่ใจว่าได้รับอาหารที่สมดุล การบริโภคอาหารที่สมดุลจะเป็นประโยชน์ต่อคุณภาพการนอนหลับของร่างกาย สุขภาพจิต ความสมดุลของฮอร์โมน ระบบเผาผลาญ และการป้องกันคราสบางส่วน ซึ่งทั้งหมดนี้สามารถช่วยพัฒนาความจำและความสามารถทางปัญญาได้ ประการที่สอง เพิ่มการออกกำลังกาย การออกกำลังกายไม่เพียงช่วยควบคุมระดับน้ำตาลในเลือดเท่านั้น แต่ยังช่วยเพิ่มความจำและความสามารถในการรับรู้ด้วยการเสริมสร้างกล้ามเนื้อ ลดความเครียด และกำจัดอารมณ์ไม่ดีอีกด้วย
สุดท้ายก็ต้องได้รับการรักษาอย่างเหมาะสม ระดับน้ำตาลในเลือดที่มั่นคงยังช่วยปรับปรุงความสามารถในการเรียนรู้และความจำของสมอง
แม้ว่าผู้ป่วยโรคเบาหวานอาจประสบปัญหาต่างๆ เช่น การสูญเสียความทรงจำ แต่ก็ไม่ควรป้องกันผู้ป่วยโรคเบาหวานจากการใช้ชีวิตที่มีสุขภาพดีและมีชีวิตชีวา การควบคุมอาหารและการใช้ชีวิต ออกกำลังกาย และรักษาอารมณ์ในแง่ดีนั้นมีประสิทธิภาพมากสำหรับการดูแลสุขภาพ นอกจากนี้ยังสามารถปกป้องร่างกาย ความทรงจำ และการรับรู้ของเราได้ดีขึ้นอีกด้วย เราจำเป็นต้องปรับปรุงความจำ และ Cistanche Deserticola สามารถปรับปรุงความจำได้อย่างมาก เนื่องจาก Cistanche Deserticola เป็นสมุนไพรจีนโบราณที่มีลักษณะพิเศษมากมาย หนึ่งในนั้นคือการปรับปรุงความจำ ประสิทธิภาพของเนื้อสับมาจากส่วนผสมออกฤทธิ์หลายชนิดในเนื้อสับ เช่น กรด โพลีแซ็กคาไรด์ ฟลาโวนอยด์ ฯลฯ ส่วนผสมเหล่านี้สามารถส่งเสริมสุขภาพสมองได้หลายวิธี
อย่างไรก็ตามแนวทางการสร้างแบบจำลองที่เหมาะสมที่สุดยังไม่ชัดเจน ในการพบกับผู้ป่วยโรคเบาหวาน 36,641 ราย จำนวน 2,836,569 ราย แบบจำลองการเรียนรู้เชิงลึก (DL) หน่วยความจำระยะสั้นระยะยาว (LSTM) ที่ทำนายการกลับเข้ามาใหม่ในแต่ละวันโดยไม่ได้วางแผนไว้จากทุกสาเหตุ 30- ได้รับการพัฒนาและเปรียบเทียบกับแบบจำลองทั่วไปหลายแบบ โมเดลใช้ข้อมูล EHR ที่กำหนดโดย Common DataModel
พื้นที่โมเดล LSTM ภายใต้เส้นโค้งลักษณะการทำงานของตัวรับ (AUROC) นั้นมากกว่าโมเดลดั้งเดิมที่ดีที่สุดรองลงมาอย่างมีนัยสำคัญ [LSTM {{0}}.79 เทียบกับ 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.
แบบจำลอง LSTM ที่มีการทดสอบในห้องปฏิบัติการที่เลือกไว้ 16 รายการ ให้ประสิทธิภาพที่เทียบเท่ากับแบบจำลองที่มีการทดสอบในห้องปฏิบัติการทั้งหมด 981 รายการ โมเดล DL ใหม่นี้อาจใช้เป็นพื้นฐานสำหรับเครื่องมือทำนายความเสี่ยงในการกลับเข้ามาใหม่ที่มีประโยชน์มากขึ้นสำหรับผู้ป่วยโรคเบาหวาน
การแนะนำ
การกลับเข้ารับการรักษาในโรงพยาบาลเป็นผลลัพธ์ที่ไม่พึงประสงค์และมีค่าใช้จ่ายสูงสำหรับทั้งผู้ป่วยและโรงพยาบาล1 ผู้ป่วยที่เป็นโรคเบาหวานมีความเสี่ยงในการกลับเข้ารับการรักษาซ้ำภายใน 30 วันหลังออกจากโรงพยาบาล (30- วันกลับมารักษาซ้ำในโรงพยาบาล) มากกว่าผู้ป่วยที่ไม่เป็นโรคเบาหวาน
2-4 จากจำนวนผู้ป่วยโรคเบาหวานที่จำหน่ายได้เกือบ 9 ล้านคนต่อปีในสหรัฐอเมริกา เกือบ 5 ล้านคนที่เข้ารับการรักษาซ้ำได้ 30- วัน ซึ่งสอดคล้องกับค่าใช้จ่ายโรงพยาบาลอย่างน้อย 2 หมื่นล้านดอลลาร์
6, 7 การระบุผู้ป่วยที่มีความเสี่ยงสูงที่เป็นโรคเบาหวานจะช่วยให้สามารถกำหนดเป้าหมายของการแทรกแซงไปยังผู้ที่ต้องการมากที่สุด โดยปรับอัตราส่วนต้นทุนและผลประโยชน์ให้เหมาะสม
ก่อนหน้านี้ เราได้เผยแพร่การพัฒนาและการตรวจสอบความถูกต้องของตัวบ่งชี้ความเสี่ยงในการกลับเข้ามารักษาโรคเบาหวานก่อนกำหนด (DERRITM) ซึ่งเป็นแบบจำลองการถดถอยลอจิสติกส์ (LR) ที่คาดการณ์ความเสี่ยงของการกลับเข้ามารักษาซ้ำทุกสาเหตุ 30- วันในผู้ป่วยโรคเบาหวาน
8 DERRITM ได้รับการออกแบบมาเพื่อใช้งาน ณ จุดดูแลโดยอิงตามข้อมูลของผู้ใช้จาก 10 ปัจจัย ในการตรวจสอบความถูกต้องภายในแบบแยกตัวอย่าง ประสิทธิภาพอยู่ในระดับปานกลาง (พื้นที่ใต้เส้นโค้งลักษณะการทำงานของตัวรับ, AUROC 0.69)
ในการศึกษาการตรวจสอบภายนอก DERRITM AUROC อยู่ที่ {{0}}.63 และ 0.80.9, 10 นอกเหนือจากประสิทธิภาพการคาดการณ์แบบแปรผันแล้ว การใช้ DERRITM จำเป็นต้องมีการรวบรวมและป้อนข้อมูลด้วยตนเอง ซึ่งเป็นอุปสรรคสำคัญต่อการใช้งานใน การปฏิบัติทางคลินิก
ในงานตีพิมพ์อื่นๆ เราแสดงให้เห็นว่าการเพิ่มตัวแปรให้กับ DERRITM จะปรับปรุงความแม่นยำในการคาดการณ์อย่างมากให้กับ AUROC ที่ 0.82.11 อย่างไรก็ตาม โมเดลแบบขยาย (DERRIplus) นี้ไม่สามารถใช้ ณ จุดดูแลได้และรวมถึงสถานะการจ้างงานด้วย ซึ่งไม่ได้รับการบันทึกไว้เป็นประจำใน Electronic Health Records (EHRs)
ดังนั้น โมเดลนี้จึงไม่สามารถแปลเป็นเครื่องมืออัตโนมัติที่ผสานรวม EHR ได้โดยตรง มีความต้องการที่ไม่ได้รับการตอบสนองสำหรับเครื่องมือทำนายความเสี่ยงในการกลับเข้ามารักษาซ้ำสำหรับผู้ป่วยโรคเบาหวานที่มีความแม่นยำและใช้งานง่าย
ในช่วงไม่กี่ปีที่ผ่านมา มีการเผยแพร่โมเดลแมชชีนเลิร์นนิง (ML) หลายตัวสำหรับทำนายความเสี่ยงในการกลับเข้ามาใหม่ของผู้ป่วยโรคเบาหวาน {{0}} วัน มีการสำรวจแนวทางการสร้างแบบจำลอง ML แบบดั้งเดิมหลายประการ รวมถึงป่าสุ่ม (RF) เพื่อนบ้านที่ใกล้ที่สุด k ใกล้ที่สุด naïve Bayes เครื่องเวกเตอร์สนับสนุน (SVM) AdaBoost และการรับรู้หลายชั้น (MLP) พร้อมประสิทธิภาพที่หลากหลาย (AUROC {{5 }}.53-0.99 ความแม่นยำ 0.54-0.99)
{{0}} แบบจำลอง Deeplearning (DL) ยังได้รับการพัฒนาเพื่อคาดการณ์ความเสี่ยงในการกลับเข้ามาใหม่ของผู้ป่วยโรคเบาหวาน พร้อมด้วยประสิทธิภาพที่แปรผันได้ (AUROC 0.61-0.97 ความแม่นยำ 0.{{ 5}}.95) ไม่มีสิ่งใดที่จะเกินกว่าโมเดล ML ดั้งเดิมที่ดีที่สุดได้23-27 การศึกษาสองเรื่องเหล่านี้แสดงให้เห็นถึงข้อได้เปรียบที่ชัดเจนของแนวทาง DL เหนือโมเดล ML แบบดั้งเดิม23, 24 และการศึกษาสองเรื่องพบว่ามีประโยชน์เพียงเล็กน้อยจาก DL ใกล้เข้ามาแล้ว
25, 27 การเปรียบเทียบประสิทธิภาพของแบบจำลองในการศึกษาทั้งหมดเหล่านี้ ถูกจำกัดเนื่องจากการขาดการรายงานคุณลักษณะด้านประสิทธิภาพและวิธีการทดสอบแบบแปรผันที่เป็นมาตรฐาน
ดังนั้นจึงยังไม่ชัดเจนว่าแบบจำลอง DL มีประสิทธิภาพเหนือกว่าแบบจำลอง ML แบบดั้งเดิมในการทำนายความเสี่ยงในการเข้ารับการรักษาสำหรับผู้ป่วยโรคเบาหวานหรือไม่
สิ่งที่น่าสนใจคือ โมเดลก่อนหน้านี้ทั้งหมดนี้ได้รับการพัฒนาบนชุดข้อมูลเดียวกัน 28 ยกเว้น DERRITM และ DERRIplus ชุดข้อมูลที่เปิดเผยต่อสาธารณะนี้ประกอบด้วยการเผชิญหน้าในโรงพยาบาลพร้อมการวินิจฉัยโรคเบาหวานและระยะเวลาการเข้าพักระหว่าง 1 ถึง 14 วันที่หนึ่งในโรงพยาบาล 130 แห่งในสหรัฐอเมริการะหว่างปี 1999 ถึง 2008
รหัสวินิจฉัยการจำแนกประเภทโรคระหว่างประเทศ, รหัสการวินิจฉัยการแก้ไขครั้งที่เก้า (ICD-9) มีเพียง 3 รหัสต่อการพบ และค่าทางห้องปฏิบัติการเพียง 2 ค่า (ระดับน้ำตาลในเลือดและ HbA1c) เท่านั้นที่ถูกบันทึก
ท้ายที่สุด ไม่มีความแตกต่างระหว่างการกลับเข้ามาใหม่ตามแผนและไม่ได้วางแผนไว้ ดังนั้นแม้แบบจำลองที่ดีที่สุดเหล่านี้อาจทำงานได้ไม่ดีในผู้ป่วยในปัจจุบัน จำเป็นต้องมีโมเดลปัจจุบันที่สามารถสรุปได้ทั่วไปมากกว่านี้
ดังนั้น เพื่อแก้ไขช่องว่างเหล่านี้ จุดมุ่งหมายของการศึกษาในปัจจุบันมีดังนี้: 1) เพื่อพัฒนาแบบจำลอง DL สำหรับการทำนายการกลับเข้ามาใหม่ในแต่ละวันโดยไม่ได้วางแผนไว้ทุกสาเหตุ 2) เพื่อเปรียบเทียบประสิทธิภาพของแบบจำลอง DL กับ โมเดล ML แบบดั้งเดิม 3)
เพื่อสำรวจประสิทธิภาพของแบบจำลองในช่วงของการเผชิญหน้า EHR ก่อนหน้าตั้งแต่ 1 ถึง 100 ซึ่งรวมอยู่ในการพัฒนาแบบจำลอง และ 4) เพื่อเปรียบเทียบแบบจำลอง DL ที่พัฒนาโดยใช้ชุดย่อยของการทดสอบในห้องปฏิบัติการที่เลือกโดยความรู้โดเมน กับแบบจำลอง DL ที่พัฒนาโดยใช้การทดสอบในห้องปฏิบัติการที่มีอยู่ทั้งหมด
แบบจำลองทั้งหมดได้รับการพัฒนาและทดสอบในชุดข้อมูลการเผชิญหน้า 2,836,569 ครั้งของผู้ป่วยโรคเบาหวาน 36,641 ราย โดยใช้ข้อมูลประชากร สัญญาณชีพ รหัสการวินิจฉัยและขั้นตอน ยา การทดสอบในห้องปฏิบัติการ และข้อมูลการบริหารตามที่กำหนดโดย National Patient-CenteredClinical Research Network (PCORnet) Common Data Model (ซีดีเอ็ม).29
วัสดุและวิธีการ
คำจำกัดความของกลุ่มผู้ป่วย
เกณฑ์การคัดเลือกคือผู้ป่วยที่มีการออกจากโรงพยาบาลอย่างน้อยหนึ่งครั้งจากโรงพยาบาล Temple University Health System ทั้งสามแห่งในฟิลาเดลเฟีย รัฐเพนซิลวาเนีย ระหว่างวันที่ 1 กรกฎาคม 2010 ถึงวันที่ 31 ธันวาคม 2020 และโรคเบาหวานที่กำหนดโดยอย่างน้อยหนึ่งสิ่งต่อไปนี้: การวินิจฉัยโรคเบาหวาน ( ICD-9: 249.xx หรือ 250.xx หรือ ICD-10: E08.xxx ถึง E13.xxx); ระดับ aHemoglobin A1c (HbA1c) มากกว่าหรือเท่ากับ 6.5% หรือการสั่งยารักษาโรคเบาหวานโดยเฉพาะ
ไม่รวมการเผชิญหน้าสำหรับผู้ป่วยสูงวัย<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).
ผู้ป่วยถูกจัดเรียงเป็นหนึ่งใน 2 กลุ่มตามสถานะการกลับเข้ารับการรักษาซ้ำ: ผู้ที่กลับเข้ามาใหม่อีกครั้งอย่างน้อยหนึ่ง 30- และผู้ที่ไม่ได้กลับเข้ามาใหม่ ในบรรดาผู้ป่วยที่กลับมารักษาซ้ำ จะมีการเลือกคู่การรับเข้า-การกลับเข้ารับการรักษาซ้ำหนึ่งคู่เพื่อวิเคราะห์ ในบรรดาผู้ป่วยที่ไม่ได้รับการกลับเข้ารับการรักษาซ้ำ จะมีการสุ่มเลือกเข้ารับการรักษาหนึ่งรายเพื่อการวิเคราะห์
คำจำกัดความของตัวแปรและการประมวลผลข้อมูลล่วงหน้า
ตารางถูกดึงมาจาก CDM สำหรับแต่ละโดเมนต่อไปนี้: การเผชิญหน้า ข้อมูลประชากร การวินิจฉัย การทดสอบในห้องปฏิบัติการ ใบสั่งยา ขั้นตอน และสัญญาณชีพ เนื่องจากคุณลักษณะของการเผชิญหน้าที่ระบุมีอยู่หลายตาราง ตารางจึงถูกผสานด้วยตัวระบุที่ไม่ซ้ำกัน การรวมตารางที่แยกออกมาส่งผลให้ตัวอย่างมีบันทึกทั้งหมดสำหรับการเผชิญหน้าที่กำหนด
ส่งผลให้เกิดการสูญหายอย่างมาก ดังนั้นจึงใช้ความหายนะเป็นคุณลักษณะที่แยกจากกัน สำหรับคุณลักษณะที่ต่อเนื่อง ข้อมูลที่ขาดหายไปจะถูกแทนที่ด้วย 0 ในขณะที่คุณลักษณะตามหมวดหมู่จะถูกแทนที่ด้วยหมวดหมู่ที่ไม่ซ้ำ
มีการใช้คุณลักษณะทั้งหมด 23 รายการเป็นอินพุตสำหรับแบบจำลอง โดย 14 รายการถูกดึงมาจาก CDM และ 9 รายการถูกรวมเข้าด้วยกัน คุณลักษณะที่แยกออกมาได้แก่: 1) ประเภทการเผชิญหน้า (ผู้ป่วยใน แผนกฉุกเฉิน การพักรักษาตัวแบบสังเกตการณ์ การนัดตรวจผู้ป่วยนอก การนัดตรวจผู้ป่วยนอกอื่นๆ บริการสุขภาพทางไกล และ อื่น ๆ ; 2) สถานะการจำหน่าย (สิ่งอำนวยความสะดวกในการดำรงชีวิต, กับคำแนะนำทางการแพทย์, หมดอายุ, สุขภาพที่บ้าน, บ้าน / การดูแลตนเอง, บ้านพักรับรองพระธุดงค์, บ้านพักคนชรา, สิ่งอำนวยความสะดวกการฟื้นฟูสมรรถภาพ, สิ่งอำนวยความสะดวกการพยาบาลที่มีทักษะ; 3) เพศ; 4) ฮิสแปนิก; 5) เชื้อชาติ (อเมริกันอินเดียน/พื้นเมืองอะแลสกา เอเชีย คนผิวดำ ชาวเกาะแปซิฟิก คนผิวขาว อื่นๆ/ไม่มีข้อมูล); 6) ยาสูบ (ผู้ใช้ปัจจุบัน, ไม่เคยใช้, เคยใช้, การสัมผัสเฉยๆ, ข้อมูลอื่นๆ/ไม่มีเลย); 7) อายุ; 8)
รหัสระบบการจำแนกประเภททางคลินิก (CCS) สำหรับการวินิจฉัย;29 9) รหัส CCS ของขั้นตอนการปฏิบัติงาน;29 10) ผลการตรวจทางห้องปฏิบัติการ; 11) คำสั่งให้ยาภายใน 1 ปีก่อนการเผชิญหน้าแต่ละครั้ง 12) ความดันโลหิตล่าง; 13) ความดันโลหิตซิสโตลิก; และ14) ดัชนีมวลกาย (BMI)
คุณลักษณะที่รวบรวมไว้ได้แก่: 1) เงื่อนไขของ Elixhauser: คุณลักษณะไบนารีที่ระบุว่ามีหรือไม่มีเงื่อนไขแต่ละข้อ 30 2) ระยะเวลาในการรับเข้า (ระยะเวลาเข้าพักเป็นวัน); 3) รหัสขั้นตอนต่างๆ ก่อนแปลงเป็นรหัส CCS 4) รหัสการวินิจฉัยหลายรหัสก่อนแปลงเป็นรหัส CCS 5) จำนวนวันนับตั้งแต่การเผชิญหน้าครั้งก่อน โดยไม่คำนึงถึงประเภทการเผชิญหน้า 6) หลายวันนับตั้งแต่การพบปะผู้ป่วยใน ผู้สังเกตการณ์ หรือแผนกฉุกเฉินครั้งก่อน 7) หลายวันนับตั้งแต่การพบกันครั้งก่อนของการเผชิญหน้าประเภทอื่น (ที่ไม่ใช่โรงพยาบาล) 8) การเผชิญหน้าผู้ป่วยใน การสังเกต และแผนกฉุกเฉินหลายครั้งก่อนการเผชิญหน้าในปัจจุบัน และ 9) การเผชิญหน้าอื่นๆ (ที่ไม่ใช่โรงพยาบาล) หลายครั้งก่อนการเผชิญหน้าในปัจจุบัน
รหัส ICD-9 ถูกแปลงเป็นรหัส ICD-10 เพื่อรวมรูปแบบรหัส รหัส ICD-10 และรหัสขั้นตอนถูกแปลงเป็นรหัส CCS จากความรู้ในโดเมน ยาที่เกี่ยวข้องกับโรคเบาหวานได้รับการจัดหมวดหมู่ดังนี้ ยารักษาโรคเบาหวานตามประเภท คอเลสเตอรอล คอร์ติโคสเตียรอยด์ สารความดันโลหิต renin-angiotensin system (RAAS) และสารความดันโลหิตที่ไม่ใช่ RAS ยาอื่น ๆ ถูกละเลย
คุณลักษณะที่พบว่าไม่น่าเชื่อถือ ส่วนใหญ่ขาดหายไป หรือมีความสัมพันธ์กันถูกลบออก คุณสมบัติค่าผิดปกติ เช่น วันที่ ผลลัพธ์ ส่วนสูง น้ำหนัก BMI และความดันโลหิต (ซิสโตลิกและไดแอสโตลิก) จะถูกลบออกโดยการสังเกตการกระจายข้อมูล เปอร์เซ็นไทล์ และความรู้เกี่ยวกับโดเมน ค่าที่หายไปจะถือเป็นอีกหมวดหมู่หนึ่งที่บ่งชี้ว่าไม่มีการรวบรวมพารามิเตอร์เกี่ยวกับการเผชิญหน้า
ผลลัพธ์หลักสำหรับการทำนายแบบจำลอง (�) ไม่ได้วางแผนไว้ การกลับเข้ามาใหม่ของผู้ป่วยในทุกสาเหตุภายใน 30 วันนับจากวันที่ผู้ป่วยในออกจากโรงพยาบาล ตามที่กำหนดโดยศูนย์บริการ Medicare และ Medicaid (CMS) 31 ตามคำจำกัดความของ CMS เฉพาะการกลับเข้ามาใหม่ครั้งแรกภายใน 30 วัน วันได้รับการวิเคราะห์
For more information:1950477648nn@gmail.com
