Microsoft Word - Apprendimento profondo e modelli tradizionali_Abdel Hai_Finale.Parte 1

Astratto

È necessario uno strumento di previsione del rischio di riammissione in ospedale per i pazienti con diabete basato sui dati della cartella clinica elettronica (EHR).

Con il miglioramento del tenore di vita delle persone, il diabete è diventato una malattia cronica comune nel nostro Paese. Le persone con diabete devono prendersi cura del proprio corpo e monitorare e adattare costantemente la propria dieta e le proprie abitudini di vita per garantire la propria salute. In questi aspetti si evidenzia anche l’importanza della memoria.

Molti studi hanno confermato che diabete e memoria sono inseparabili. Il diabete influisce sul normale funzionamento del cervello, in particolare sulla memoria, sull’apprendimento e sulle capacità cognitive. È stato scoperto che i pazienti con diabete hanno maggiori probabilità rispetto alle persone comuni di soffrire di declino della memoria, ridotta capacità di apprendimento e indebolimento della capacità di reazione.

Tuttavia, non dobbiamo arrenderci. Il diabete e il suo impatto sul nostro corpo possono essere efficacemente controllati attraverso cambiamenti nella dieta e nello stile di vita.

Innanzitutto, la regolamentazione della dieta è molto importante. Le persone con diabete devono limitare l’assunzione di sodio (sale), zucchero e grassi per garantire un apporto alimentare equilibrato. Un apporto alimentare equilibrato è benefico per la qualità del sonno del corpo, la salute mentale, l'equilibrio ormonale, il metabolismo e la prevenzione dell'eclissi parziale, che possono aiutare a migliorare la memoria e le capacità cognitive. In secondo luogo, aggiungi un po’ di esercizio. L’esercizio fisico non solo aiuta a controllare i livelli di zucchero nel sangue, ma può anche aiutare a migliorare la memoria e le capacità cognitive rafforzando i muscoli, riducendo lo stress e liberandosi dal cattivo umore.

Infine, è necessario un trattamento adeguato. Livelli stabili di zucchero nel sangue aiutano anche a migliorare le capacità di apprendimento e di memoria del cervello.

Sebbene le persone con diabete possano affrontare vari problemi come la perdita di memoria, ciò non dovrebbe impedire alle persone con diabete di vivere una vita sana e vivace. Monitorare la dieta e lo stile di vita, fare esercizio fisico e mantenere un umore ottimista sono molto efficaci per l’assistenza sanitaria. Può anche proteggere meglio il nostro corpo, la memoria e la cognizione. Dobbiamo migliorare la memoria e la Cistanche deserticola può migliorare significativamente la memoria perché la Cistanche deserticola è un materiale medicinale tradizionale cinese con molti effetti unici, uno dei quali è quello di migliorare la memoria. L'efficacia della carne macinata deriva dai vari principi attivi che contiene, tra cui acidi, polisaccaridi, flavonoidi, ecc. Questi ingredienti possono favorire la salute del cervello in vari modi.

Fai clic su Conosci 10 modi per migliorare la memoria

L’approccio di modellazione ottimale, tuttavia, non è chiaro. In 2.836.569 incontri con 36.641 pazienti diabetici, sono stati sviluppati modelli di apprendimento profondo (DL) di memoria a lungo termine (LSTM) che prevedono riammissioni non pianificate, per tutte le cause, 30-giorni e sono stati confrontati con diversi modelli tradizionali. I modelli utilizzavano dati EHR definiti da un Common DataModel.

L'Area Under the Receiver Operating Characteristic Curve (AUROC) del modello LSTM era significativamente maggiore di quella del miglior modello tradizionale successivo [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. 

Un modello LSTM con 16 test di laboratorio selezionati ha prodotto prestazioni equivalenti a un modello con tutti i 981 test di laboratorio. Questo nuovo modello DL può fornire la base per uno strumento di previsione del rischio di riammissione più utile per i pazienti diabetici.

introduzione

La riammissione in ospedale è un risultato indesiderato e costoso sia per i pazienti che per gli ospedali.1 I pazienti con diabete corrono un rischio più elevato di riammissione entro 30 giorni dalla dimissione dall'ospedale (30-giorno di riammissione) rispetto ai pazienti senza diabete.

2-4 Dei quasi 9 milioni di pazienti diabetici dimessi ogni anno negli Stati Uniti5, quasi 2 milioni sono riammissioni giornaliere 30-, corrispondenti ad almeno 20 miliardi di dollari di costi ospedalieri.

6, 7 L’identificazione dei pazienti con diabete ad alto rischio consentirebbe di indirizzare gli interventi a coloro che ne hanno più bisogno, ottimizzando il rapporto costi-benefici.

Abbiamo pubblicato in precedenza lo sviluppo e la convalida del Diabetes Early Readmission Risk Indicator (DERRITM), un modello di regressione logistica (LR) che prevede il rischio di riammissione in 30-giorni per tutte le cause tra i pazienti con diabete.

8 Il DERRITM è stato progettato per l'uso presso il punto di cura in base all'input dell'utente di 10 fattori. Nella convalida interna del campione suddiviso, le prestazioni sono state modeste (area sotto la curva caratteristica operativa del ricevitore, AUROC 0,69).

Negli studi di validazione esterna, il DERRITM AUROC era {{0}}.63 e 0.80.9, 10 Oltre alle prestazioni predittive variabili, l'applicazione del DERRITM richiede la raccolta e l'immissione manuale dei dati, che rappresentano i principali ostacoli al suo utilizzo in pratica clinica.

In altri lavori pubblicati, abbiamo dimostrato che l'aggiunta di variabili al DERRITM migliora sostanzialmente l'accuratezza predittiva fino a un AUROC di 0.82.11 Questo modello ampliato (DERRIplus), tuttavia, non è fattibile per l'uso presso il punto di cura e includeva lo stato occupazionale, che non è regolarmente documentato nelle cartelle cliniche elettroniche (EHR).

Pertanto, questo modello non può essere tradotto direttamente in uno strumento automatizzato e integrato nelle cartelle cliniche elettroniche. Esiste un bisogno insoddisfatto di uno strumento di previsione del rischio di riammissione per i pazienti con diabete che sia accurato e facile da usare.

Negli ultimi anni sono stati pubblicati numerosi modelli di machine learning (ML) per prevedere il rischio di riammissione in ospedale in {{0}}giorni dei pazienti affetti da diabete. Sono stati esplorati diversi approcci tradizionali di modellazione ML, tra cui foresta casuale (RF), k-nearest neighbor neighbor, naïve Bayes, support vector machine (SVM), AdaBoost e perceptron multistrato (MLP), con un'ampia gamma di prestazioni (AUROC {{5 }}.53-0.99, precisione 0.54-0.99).

{{0}} Sono stati sviluppati anche modelli di deep learning (DL) per prevedere il rischio di riammissione dei pazienti diabetici, anche con prestazioni variabili (AUROC 0.61-0.97, precisione 0.{{ 5}}.95), nessuno dei quali superava quello dei migliori modelli ML tradizionali.23-27 Due di questi studi hanno dimostrato un chiaro vantaggio degli approcci DL rispetto ai modelli ML tradizionali,23, 24, e due studi hanno riscontrato un vantaggio marginale con Il DL si avvicina.

25, 27 I confronti delle prestazioni dei modelli in tutti questi studi, tuttavia, sono limitati dalla mancanza di report standardizzati sulle caratteristiche prestazionali e sugli approcci variabili ai test.

Pertanto, non è chiaro se i modelli DL superino i modelli ML tradizionali nel prevedere il rischio di riammissione per i pazienti con diabete.

È interessante notare che tutti questi modelli precedenti sono stati sviluppati sullo stesso set di dati,28 ad eccezione di DERRITM e DERRIplus. Questo set di dati disponibile al pubblico contiene incontri ospedalieri con una diagnosi di diabete e una durata di degenza compresa tra 1 e 14 giorni in uno dei 130 ospedali statunitensi tra il 1999 e il 2008.

Sono stati registrati solo 3 codici diagnostici della Classificazione Internazionale delle Malattie, Nona Revisione (ICD-9) per incontro e solo 2 valori di laboratorio (glicemia e HbA1c).

Infine, non viene fatta alcuna distinzione tra riammissioni programmate e non programmate. Pertanto, anche il migliore di questi modelli potrebbe non funzionare altrettanto bene nei pazienti odierni. Sono necessari modelli più attuali e generalizzabili.

Pertanto, per colmare queste lacune, gli obiettivi del presente studio erano i seguenti: 1) Sviluppare modelli DL per la previsione di riammissioni 30-giorni non pianificate per tutte le cause, 2) Confrontare le prestazioni dei modelli DL con modelli ML tradizionali, 3)

Esplorare le prestazioni del modello in una serie di precedenti incontri EHR da 1 a 100 inclusi nello sviluppo del modello e 4) Confrontare un modello DL sviluppato utilizzando un sottoinsieme di test di laboratorio selezionati da domainknowledge con un modello DL sviluppato utilizzando tutti i test di laboratorio disponibili.

Tutti i modelli sono stati sviluppati e testati in un set di dati di 2.836.569 incontri di 36.641 pazienti con diabete utilizzando dati demografici, segni vitali, codici diagnostici e procedurali, farmaci, test di laboratorio e dati amministrativi come definito dal Common Data Model della National Patient-CenteredClinical Research Network (PCORnet) (CDM).29

Materiali e metodi

Definizione della coorte di pazienti

I criteri di inclusione erano pazienti con almeno una dimissione da uno qualsiasi dei tre ospedali del Temple University Health System di Filadelfia, PA, tra il 1 luglio 2010 e il 31 dicembre 2020, e diabete definito da almeno uno dei seguenti: una diagnosi di diabete ( ICD-9: 249. xx o 250. xx o ICD-10: da E08.xxx a E13.xxx); aLivello di emoglobina A1c (HbA1c) maggiore o uguale al 6,5% o ordine di un farmaco specifico per il diabete.

Sono stati esclusi gli incontri per i pazienti anziani<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).

I pazienti sono stati suddivisi in uno dei 2 gruppi in base allo stato di riammissione: quelli che hanno avuto almeno un 30-giorno di riammissione e quelli che non l'hanno fatta. Tra i pazienti che hanno avuto una riammissione, una coppia ricovero-riammissione è stata selezionata casualmente per l'analisi. Tra i pazienti che non hanno avuto una riammissione, un ricovero è stato selezionato casualmente per l'analisi.

Definizione delle variabili e preelaborazione dei dati

Sono state estratte tabelle dal CDM per ciascuno dei seguenti ambiti: incontri, dati demografici, diagnosi, test di laboratorio, prescrizioni di farmaci, procedure e segni vitali. Poiché le caratteristiche di un dato incontro esistevano in più tabelle, le tabelle venivano unite tramite un identificatore univoco. L'unione delle tabelle estratte ha prodotto un campione contenente tutti i record per un determinato incontro.

Ciò ha comportato una sostanziale mancanza. Pertanto, la mancanza è stata utilizzata come caratteristica separata. Per gli elementi continui, i dati mancanti sono stati sostituiti con 0, mentre gli elementi categoriali sono stati sostituiti con una categoria univoca.

Un totale di 23 caratteristiche sono state utilizzate come input per i modelli: 14 sono state estratte dal CDM e 9 sono state aggregate. Le caratteristiche estratte erano: 1) Tipo di incontro (ricovero, pronto soccorso, soggiorno di osservazione, visita ambulatoriale, altra visita ambulatoriale, telemedicina e Altro; 2) Stato di dimissione (struttura di residenza assistita, contro consiglio medico, scaduto, assistenza domiciliare, assistenza domiciliare/autonoma, hospice, casa di cura, struttura di riabilitazione, struttura infermieristica specializzata; 3) Sesso; 4) Ispanico; 5) Razza (indiano americano/nativo dell'Alaska, asiatico, nero, isolano del Pacifico, bianco, altro/nessuna informazione); 6) Tabacco (utilizzatore attuale, mai utilizzatore, ex utilizzatore, esposizione passiva, altra/nessuna informazione); 7) età; 8)

Codici del sistema di classificazione clinica della diagnosi (CCS);29 9) Codici CCS della procedura;29 10) Risultati di laboratorio; 11)Ordini di farmaci entro 1 anno prima di ogni incontro; 12) Pressione arteriosa diastolica; 13) Pressione arteriosa sistolica; e14) Indice di massa corporea (BMI).

Le caratteristiche aggregate erano: 1) Condizioni Elixhauser: una caratteristica binaria che indica la presenza o l'assenza di ciascuna condizione; 30 2) Durata dell'ammissione (durata del soggiorno in giorni); 3) diversi codici procedura prima della conversione in codice CCS; 4) diversi codici diagnosi prima della conversione in codice CCS; 5) numero di giorni dall'incontro precedente indipendentemente dal tipo di incontro; 6) diversi giorni dal precedente ricovero, osservazione o incontro al pronto soccorso; 7) diversi giorni dal precedente incontro con altri tipi di incontro (non ospedalieri); 8) diversi incontri in regime di ricovero, osservazione e pronto soccorso prima dell'incontro attuale; e 9) diversi altri incontri (non ospedalieri) prima dell'incontro attuale.

I codici ICD-9 sono stati convertiti in codici ICD-10 per unificare il formato del codice. I codici ICD-10 e i codici procedurali sono stati convertiti in codici CCS. Sulla base della conoscenza del dominio, i farmaci rilevanti per il diabete sono stati classificati come segue: farmaci per il diabete per classe, colesterolo, corticosteroidi, agenti per la pressione sanguigna del sistema renina-angiotensina (RAAS) e agenti per la pressione sanguigna non-RAS. Altri farmaci furono ignorati.

Le funzionalità ritenute non affidabili, per lo più mancanti o correlate sono state rimosse. Caratteristiche anomale quali date, risultati, altezza, peso, indice di massa corporea e pressione sanguigna (sistolica e diastolica) sono state rimosse osservando le distribuzioni dei dati, i percentili e la conoscenza del dominio. I valori mancanti sono stati trattati come un'altra categoria che indica che non è stato raccolto un parametro relativo all'incontro.

L'outcome primario per la previsione del modello(�) era la riammissione ospedaliera non pianificata per tutte le cause entro 30 giorni dalla dimissione del ricovero come definito dai Centers for Medicare & Medicaid Services (CMS).31 In base alla definizione CMS, solo la prima riammissione entro 30 giorni è stato analizzato.

For more information:1950477648nn@gmail.com