Microsoft Word - ディープ ラーニングと従来のモデル_アブデル ハイ_最終回。パート 3
Jan 03, 2024
この研究では、再入院を予測するために過去に何回遭遇するのが最適であるかを決定するために広範な実験が行われました。
生活のペースが加速するにつれて、私たちは毎日大量の情報にさらされており、この情報をよりよく吸収して活用するには、ある程度の記憶力を維持する必要があります。 多くの人が自分の記憶力が十分に強くないと感じているかもしれませんが、広範な実験研究を通じて、記憶力は訓練され改善できることがわかりました。
関連する最初の実験では、記憶力の向上に対するヨガの効果を調べました。 カリフォルニア大学サンフランシスコ校で行われたこの実験では、ヨガの練習により脳内の灰白質が増加し、学生の短期および長期記憶が向上することが示された。 なぜなら、ヨガは人々の心身の健康に非常に優れた健康効果をもたらし、ストレスや不安を和らげ、それによって人々の記憶力を高めることができるからです。
2 番目の実験では、睡眠と記憶の関係を調査しました。 研究者らは、十分な睡眠が人々の記憶力に良いことを発見しました。 睡眠は脳細胞間の情報伝達を促進し、記憶の定着を助け、記憶の長期保存能力を向上させます。
3 番目の実験は、数学ゲームを使用して生徒の計算能力と記憶力を向上させることです。 香港大学で行われたこの実験では、研究者らは学生たちに脳の活動を刺激するために簡単な数学的活動を行うよう依頼した。 その結果、トレーニングを受けた後、生徒の計算能力と記憶力が向上したことがわかりました。 これは、適切なトレーニングと刺激によって、脳機能が総合的に改善できることを示しています。
上記の実験を通じて、記憶力は訓練して向上させることができ、記憶力が十分でないことを過度に心配する必要はないことがわかりました。 ヨガの練習、十分な睡眠、さまざまなゲームなどの適切な運動を行うことで、記憶力を効果的に向上させ、現代生活の課題にうまく対処することができます。 私たちは記憶力を向上させる必要があることが分かります。カンクサは多くのユニークな効果を持つ伝統的な漢方薬素材であり、そのうちの 1 つは記憶力の向上であるため、カンクサは記憶力を大幅に向上させることができます。 ひき肉の効能は、酸、多糖類、フラボノイドなどを含む、ひき肉に含まれるさまざまな有効成分によってもたらされます。これらの成分は、さまざまな方法で脳の健康を促進します。
過去 2 年間の � 出会い、� ∈{1, 2, 4, 8, 15, 30, 60, 80, 100} を考慮して実験を行いました。 この期間における患者 1 人あたりの平均遭遇数は 21 人、90 パーセンタイルは 56 人でした。
遭遇数の変動により、特徴ベクトルの長さが統一されなくなりました。 したがって、最大 6 回の 0 回の遭遇を考慮する実験では、すべての患者の特徴ベクトルが 60 回の遭遇を表すようにするために、データの欠落している特徴ベクトルに 0 が埋め込まれました。
この研究では、DL モデルが大規模なベンチマークで従来のモデルよりも優れているという仮説を立てました。そのため、DL アルゴリズムを評価し、ベースラインの従来のモデルと比較するために、さまざまな評価指標を使用した比較分析が実行されました。
さらに、領域知識の重要性を調べるために、EHR データセットに含まれるすべての臨床検査データを使用してモデルをトレーニングおよびテストし、再入院との関連性（血清アルブミン、陰イオン）を報告した以前の論文に基づいて、臨床検査のサブセットを使用してトレーニングおよびテストされたモデルと比較しました。ギャップ、動脈 pH、ビリルビン、血中尿素窒素、二酸化炭素、血清クレアチニン、血糖、ヘマトクリット、乳酸、PaCO2、PaO2、血清ナトリウム、トロポニン I、静脈 pH、および白血球数）。11、34実験室研究のサブセットは、次元を削減することで有益となる可能性があります。
患者は重複しない 3 つのサブセットにランダムに分類され、70% がトレーニングに、10% が検証に、20% がテストに使用されました。 最高のパフォーマンスを生み出すハイパーパラメーターを見つけるために、相互検証手法を採用しました。
LSTM と GRU では、グリッド検索を使用して、ニューロンの数、ドロップアウト、バッチ サイズ、およびエポック数を変更しました。 文献に従って行われた実験では、ドロップアウト率は 0 から 50 まで変化し、ニューロンの数は 32 から 512 まで変化しました。
双方向 GRU は 1- ウェイ LSTM よりも速く収束するため、0.1、ニューロン 128 個、バッチ サイズ 512、バッチ サイズ 512、LSTM の場合は 16 エポック、GRU の場合は 12 エポックのドロップアウトを選択しました。と Adam オプティマイザーが使用されました。 従来のモデルも同様に微調整され、最高のパフォーマンスを生み出すハイパーパラメーターが選択されました。
パフォーマンスの指標と分析
私たちの研究で使用されたメソッドのパフォーマンスは、受信者動作特性曲線下面積（AUROC）、再現率（感度とも呼ばれます）、特異性、F{0}} スコア、精度という 5 つの一般的な指標によって評価されました。 これらの評価指標の正式な定義は共通であり、簡単に見つけることができます34。
提案されたモデルのパフォーマンスの安定性と重要性を評価するために、統計的有意性分析が実行されました。トレーニングとテストのために異なる患者をランダムに選択し、ランダムな選択を 10 回繰り返して、平均パフォーマンス測定値と 95% 信頼区間を生成しました。
LSTM は、t 検定によって最もパフォーマンスの高い従来のモデル (RF) と比較されました。 p値<0.05 was considered statistically significant. The Temple University Institutional Review Board approved the protocol.
結果
合計 36,641 人の患者と 2,836,569 件の患者が分析されました。 少なくとも1回再入院した患者は9,130人、再入院のない患者は27,511人だった。 過去 2 年間の遭遇数の影響は 5 つの予測モデルで評価され、モデルごとに 遭遇が考慮され、実験は ∈{1, 2, 4, 8, 15, 30, 60, 80, 100} に対して繰り返されました。 。
図 2 は、さまざまな遭遇数にわたる、提案されたモデル LSTM と従来のモデルの AUROC を示しています。 双方向 GRU も実行されましたが、LSTM と同一の AUROC を達成したため省略されました。 LSTM は、さまざまな遭遇数を使用したすべての実験にわたって、大規模なベンチマークで従来のモデルを上回りました。
平均して、LSTM モデルは、最高のパフォーマンスを発揮する従来のモデル RF と比較して、AUROC が {{0}.06 増加しました。 実験によると、以前の 1 回の遭遇に基づいて再入院を予測するだけでは十分ではなく、パフォーマンスが大幅に低下しました (DL モデルを使用した場合は 0.7、最もパフォーマンスの高い従来のモデルを使用した場合は 0.68)。
DLmodel は、3 回の遭遇からのデータを使用してトレーニングするとプラトーに達しましたが、その後は最小限の改善が見られました。0 DL アルゴリズムでは、最適なエンカウンター数 80 を使用した場合、最もパフォーマンスの高い従来のモデル RF と比較して、AUROC が 0.07 増加しました。
表 1 は、過去 2 年間に行われた最大 80 件の最新の実験によるすべての実験室テストを使用した LSTM と従来のモデルのパフォーマンスを示しています。 全体として、信頼区間は非常に小さかった (<0.02), indicating a high degree of precision around the means.
提案された手法 LSTM では、95% CI が 0.001 の平均 AUROC {{0}}.79 が得られました。 LSTM AUROC を 2 番目にパフォーマンスの良いモデル (RF) と比較することによって得られた p 値は次のとおりです。<0.0001, hence, LSTM performance
was significantly greater than the traditional models.
LSTM モデルは、再現率/感度 0.81 を達成しました。これは、真の陽性者の予測 (つまり、再入院患者の正確な分類) のパフォーマンスがかなり優れていたことを示しています。
私たちの研究で使用されたすべてのモデルは、非常に優れた特異性 (つまり、真の陰性率) を達成しました。 したがって、トレーニングされたモデルは、再入院の可能性が低い患者を予測するのに優れた性能を発揮しました。 LSTM は、F{0}} スコア 0.80 を達成しました。これは、再入院する患者とそうでない患者を区別する非常に優れた能力を示しています。
研究室研究に関するドメイン知識が役立つかどうかを判断するために、データに含まれる 981 件のユニークな研究室研究すべてを使用するのではなく、ドメイン知識によって選択された 16 のユニークなラボ研究のサブセットに基づいてモデルをトレーニングおよびテストする 2 つの異なる実験を実施しました。
One Hot エンコーディング技術が利用され、研究室の結果を各研究室のコードに関連付けるために修正されました。 研究室コード������_����_������ の長い固有の配列が作成されました。 遭遇ごとに、������_����_������ と同じ長さのゼロの配列が作成されました。 �������_����_�������� の各臨床検査の同じインデックスでの結果で構成され、結果を特定の検査室コードに関連付けます。 臨床検査結果のない遭遇にはゼロの � が表示され、特定の遭遇に対して臨床検査が実施されなかったことを示します。
ほとんどの出会いが含まれているため、<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).
議論
36,563 人の糖尿病患者からなるこの後ろ向きコホートでは、計画外の全原因による 30- 日の再入院の予測において、DL モデルが RF、MLP、AdaBoost、LR モデルを上回りました。 最適な LSTM モデルでは、AUROC が 0.79、精度が 0.81 となり、非常に優れたパフォーマンスを示しました。 以前の遭遇数とモデルのパフォーマンスの関係を明らかにするために設計された実験では、LSTM モデルの AUROC は遭遇数が増加するにつれて増加し、30 回の遭遇で頭打ちになることが示されました。 従来のモデルのパフォーマンスは、以前の遭遇数が 15 または 30 まではそれほど高くはありませんでしたが、その後、遭遇数が増加するにつれて横ばい (RF) または低下 (MLP、AdaBoost、LR) しました。 最後に、ドメイン知識によって選択された 16 の臨床検査のセットを含む LSTM モデルは、利用可能なすべての臨床検査を含む LSTM モデルと同等のパフォーマンスをもたらしました。
私たちの調査では、DL モデルは従来のモデルよりも優れたパフォーマンスを示しました。 糖尿病患者の再入院リスクを予測するために、DL モデルと従来のモデルを比較した 4 つの研究を私たちは知っています。 これらの研究のうち 2 つは、従来の ML モデルに対する DL アプローチの明確な利点を実証しました 23,24。一方、2 つの研究では DL アプローチでは限界的な利点があることがわかりました 25,27。これらの DL モデルのパフォーマンスは、AUROC 0 では変動しました。61-0 .97、精度は 0.69-0.95 であり、いずれも従来の最高の ML モデルを上回っていませんでした。AUROC は 0.99 と精度が {{13} と報告されていました。 }.99.23,27 ただし、これらすべての研究にわたるモデルのパフォーマンスの比較は、パフォーマンス特性の標準化されたレポートが存在しないことと、テストに対するさまざまなアプローチによって制限されます。 DL と従来の ML モデルを直接比較した先行研究を考慮した私たちの研究は、DL アプローチが通常、この集団においてより優れたパフォーマンスを生み出すことを示唆しています。
糖尿病患者における以前の受診回数と再入院リスクモデルのパフォーマンスとの関係を調査した他の論文を私たちは知りません。 しかし、関連する研究では、ある論文では、入院回数が最低 2 回から 5.35 AUROC まで増加し、その後頭打ちになるにつれて、病的肥満患者の再入院リスクを予測するモデルのパフォーマンスがどのように変化するかを調査しました。 広く関連する別の研究では、糖尿病患者の再入院リスクを予測するための LR モデルのパフォーマンスは、サンプルサイズが 2000 から 6000 に増加するにつれて増加する傾向があり、その後頭打ちになることがわかりました。 .36 この一連の研究は、遭遇数とサンプルサイズの範囲にわたる実験によって、情報量と次元のバランスをとりながらデータ分析を最適化できるしきい値が明らかになる可能性があることを示唆しています。
また、専門分野の知識によって選択された検査データを使用した再入院リスクモデルと、糖尿病患者で入手可能なすべての検査データを比較した他の研究を私たちは知りません。 すべての検査データを含めること（その結果、高次元化され計算コストのかかるモデルが生成される）と、領域専門家が検査データのサブセットを選択すること（コストが高くつき、実現可能性が低い可能性がある）との間にはトレードオフが存在します。 モデルのパフォーマンスが向上しなかった以前の遭遇の数と同様に、実験室データのサブセットを使用したモデルのパフォーマンスがすべての実験室データを使用したモデルと同等であるという発見は、この領域にも同様のプラトーがあることを示唆しています。 この現象が他の患者集団にも一般化するかどうかを調査する必要があります。
提示された LSTM モデル (私たちは eDERRITM と呼んでいます) は、以前のモデルである theDERRITM および DERRIplus の拡張です。8,11 AUROC に関しては、eDERRITM モデルは DERRITM よりも優れたパフォーマンスを示しましたが、DERRIplus よりは劣っていました。 残念ながら、データセットには郵便番号、雇用状況、支払者の情報が含まれていないため、現在の研究では 3 つのモデルのパフォーマンスを直接比較することはできません。 DERRITM および DERRIplus とは異なり、eDERRITM モデルは、PCORnet CDM によって定義されている人口動態、バイタルサイン、診断および手順コード、薬剤、臨床検査、管理データなどの一般に利用可能な EHR データを使用して開発されています29。CDM は EHR データの抽象化を標準化します。それを利用するモデルの一般化性と拡張性を強化します。 私たちは、eDERRITM を、糖尿病の入院患者の再入院リスク予測を自動的に生成する EHR システムに組み込まれたアプリケーションに変換することを計画しています。
CDM ベースのデータセットの一般化可能性に加えて、現在の研究には他の注目すべき長所もあります。 このデータセットは、2010 年 7 月 1 日から 2020 年 12 月 31 日の間に入院した患者からサンプリングされており、現在公開されている他の糖尿病患者の再入院リスク モデルに使用されているデータセットよりもはるかに新しいものです。 また、最も使用されているデータセットには、糖尿病の診断があり、入院期間が 15 日未満である病院での遭遇のみが含まれていたのとは対照的に、現在のデータセットには、関連する診断に関係なくすべての遭遇タイプが含まれており、入院患者と外来患者の両方のデータが収集されています。 最後に、2,836,569 件の遭遇を伴う 36,563 人の患者というサンプル サイズは、DL モデルを開発し、最大 100 件の以前の遭遇を対象とした実験を行うための十分なデータを提供しました。
いくつかの制限があることを認識してください。 データは、単一の都市部の学術医療システムからサンプリングされました。 したがって、他の母集団に対するモデルの一般化可能性は不明であり、テストが必要です。 患者と病院の郵便番号が両方とも欠落しているため、患者の自宅の郵便番号と病院の間の距離を推定することができません。これは再入院のリスクと関連していることが知られています。8,11 最後に、他の病院への再入院は捕捉されませんでした。
結論
糖尿病患者における計画外の全原因による再入院を予測する非常に優れたパフォーマンスを備えた LSTM モデルが開発され、内部でテストされました。 LSTM モデルは、この集団の再入院の予測において従来のモデルよりも優れています。 LSTM モデルのパフォーマンスは、以前の遭遇の数が増加するにつれて最初は増加しますが、その後横ばいになります。 慎重に選択された実験室の特徴により、利用可能なすべての実験室研究に基づくモデルと同等のパフォーマンスを備えた予測モデルが得られます。 モデルを外部で検証するには追加の調査が必要です。
謝辞
この研究は、助成番号 R01DK122073 の下で国立保健研究所 (NIH) の支援を受けました。
参考文献
1. Benbassat J、Taragin M. 医療の質の尺度としての病院の再入院: 利点と限界。 内科のアーカイブ。 2000;160:1074-1081。
2. ルービンDJ。 糖尿病患者の再入院。 現在の糖尿病レポート。 2015;15:1-9。
3. オストリング S、ワイコフ J、チャコウスキー SL、パイ CW、チョー HM、バール V、他。 糖尿病と30-日の再入院率との関係。 臨床糖尿病および内分泌学。 2017;3:3。
4. 榎本LM、シュレスタDP、ローゼンタールMB、ホーレンビークCS、ガベイRA。 2 型糖尿病患者の30-日の再入院と入院期間に関連する危険因子。 J 糖尿病の合併症。 2017;31:122-127。
5. AHRQ、医療費および利用プロジェクト (hcup) 全国入院患者サンプル (nis)。 、2018年。
6. エイダ。 2017 年の米国における糖尿病の経済的コスト。糖尿病ケア。 2018;41:917-928。
7. ルービン DJ、シャー AA。 糖尿病患者による急性期医療の再利用を予測し、防止します。 現在の糖尿病レポート。 2021;21.
8. Rubin DJ、Handorf EA、Golden SH、Nelson DB、McDonnell ME、Zhao H. 糖尿病患者の再入院リスクを予測するための新しいツールの開発と検証。 エンドクの実践。 2016;22:1204-1215。
9. ルービン DJ、レッコ D、ターチン A、ザオ H、ゴールデン SH。 糖尿病早期再入院リスク指標の外部検証 (Terri ())。 エンドクの実践。 2018;24:527-541.10。 アラメール AA、パタンワラ AE、アルダイエン AM、ファゼル MT。 糖尿病患者における 2 つの 30- 日再入院予測モデルの検証と比較。 エンドクの実践。 2019;25:1151-1157。
For more information:1950477648nn@gmail.com
