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 1
Jan 03, 2024
抽象的な
電子医療記録 (EHR) データに基づいた糖尿病患者の再入院リスク予測ツールが必要です。
人々の生活水準の向上に伴い、糖尿病は我が国で一般的な慢性疾患となっています。 糖尿病患者は、自分の体をよく管理し、健康を確保するために食事や生活習慣を常に監視および調整する必要があります。 こうした側面では、記憶の重要性も強調されています。
多くの研究で、糖尿病と記憶が切り離せないことが確認されています。 糖尿病は、脳の正常な機能、特に記憶、学習、認知能力に影響を与えます。 糖尿病患者は一般の人に比べて、記憶力の低下、学習能力の低下、反応能力の低下が起こりやすいことがわかっています。
しかし、諦めてはいけません。 糖尿病は、食事やライフスタイルを変えることで効果的に制御でき、糖尿病が私たちの体に及ぼす影響も制御できます。
まず第一に、食事制限は非常に重要です。 糖尿病患者は、バランスの取れた食物摂取を確保するために、ナトリウム（塩分）、砂糖、脂肪の摂取を制限する必要があります。 バランスの取れた食事摂取は、体の睡眠の質、精神的健康、ホルモンバランス、代謝、部分日食の予防に有益であり、そのすべてが記憶力と認知能力の向上に役立ちます。 次に、運動を追加します。 運動は血糖値のコントロールに役立つだけでなく、筋肉を強化し、ストレスを軽減し、悪い気分を取り除くことにより、記憶力と認知能力を向上させるのにも役立ちます。
最後に、適切な治療が必要です。 安定した血糖値は、脳の学習能力と記憶能力の向上にも役立ちます。
糖尿病患者は記憶喪失などのさまざまな問題に直面する可能性がありますが、そのことが糖尿病患者が健康で活気に満ちた生活を送ることを妨げるものではありません。 食事やライフスタイルを監視し、適度な運動をし、楽観的な気分を維持することは、健康管理に非常に効果的です。 また、私たちの体、記憶、認知をより良く保護することもできます。 私たちは記憶力を改善する必要がありますが、カンクサは記憶力を大幅に向上させることができます。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の素材であり、そのうちの1つは記憶力を向上させることです。 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。
ただし、最適なモデリング手法は不明です。 36,641 人の糖尿病患者との 2,836,569 件の出会いから、計画外の全原因による 30- 日の再入院を予測する深層学習 (DL) 長短期記憶 (LSTM) モデルが開発され、いくつかの従来のモデルと比較されました。 モデルは、Common DataModel によって定義された EHR データを使用しました。
LSTM モデルの受信者動作特性曲線下面積 (AUROC) は、次に優れた従来のモデル [LSTM {{0}}.79 対ランダム フォレスト (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.
16 の選択された臨床検査を含む LSTM モデルは、981 のすべての臨床検査を含むモデルと同等のパフォーマンスをもたらしました。 この新しい DL モデルは、糖尿病患者にとってより有用な再入院リスク予測ツールの基礎を提供する可能性があります。
導入
再入院は、患者にとっても病院にとっても望ましくない、費用のかかる結果です。1 糖尿病患者は、糖尿病でない患者よりも退院後 30 日以内に再入院するリスク（30- 日再入院）が高くなります。
2-4 米国では年間 900 万人近くの糖尿病患者が退院しています5。そのうち 200 万人近くが30-日再入院しており、これは少なくとも 200 億ドルの病院費用に相当します。
6、7 リスクの高い糖尿病患者を特定することで、最も必要としている患者に介入の対象を絞り、費用対効果の比率を最適化することが可能になります。
私たちは以前、糖尿病患者における全原因による再入院のリスクを予測するロジスティック回帰（LR）モデルである糖尿病早期再入院リスク指標（DERRITM）の開発と検証を発表しました。
8 DERRITM は、10 要素のユーザー入力に基づいてポイントオブケアで使用するように設計されました。 分割サンプルの内部検証では、パフォーマンスは中程度でした (受信機動作特性曲線下の面積、AUROC 0.69)。
外部検証研究では、DERRITM AUROC は {{0}}.63 および 0.80.9, 10 でした。変数予測のパフォーマンスに加えて、DERRITM の適用には手動のデータ収集と入力が必要であり、これが用途での使用の大きな障壁となっています。臨床実践。
他の出版された研究では、DERRITM に変数を追加すると、0 の AUROC までの予測精度が大幅に向上することが示されました。82.11 ただし、この拡張モデル (DERRIplus) は、ケア時点での使用には現実的ではなく、雇用状態も含まれます。これは電子医療記録 (EHR) に日常的に文書化されていません。
したがって、このモデルを直接自動化された EHR 統合ツールに変換することはできません。 正確で使いやすい糖尿病患者の再入院リスク予測ツールに対するニーズは満たされていません。
過去数年にわたって、糖尿病患者の{{0}}日の再入院リスクを予測するための複数の機械学習（ML）モデルが発表されてきました。 ランダム フォレスト (RF)、k 最近傍法、ナイーブ ベイズ、サポート ベクター マシン (SVM)、AdaBoost、多層パーセプトロン (MLP) など、さまざまなパフォーマンスを備えた従来の ML モデリング アプローチがいくつか検討されてきました (AUROC {{5 }}.53-0.99、精度 0.54-0.99)。
{{0}} Deeplearning (DL) モデルも、糖尿病患者の再入院リスクを予測するために開発されており、これも変数パフォーマンス (AUROC 0.61-0.97、精度 0.{{ 5}}.95)、いずれも最高の従来の ML モデルを超えていません。23-27 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ており、23、24、2 つの研究では、次のような限界的な利点が見つかりました。 DLが近づいてきました。
25、27 ただし、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の欠如とテストへの可変的なアプローチによって制限されます。
したがって、糖尿病患者の再入院リスクの予測において、DL モデルが従来の ML モデルよりも優れているかどうかは依然として不明です。
興味深いことに、DERRITM と DERRIplus を除き、これらの以前のモデルはすべて同じデータセットに基づいて開発されました 28。 この公開されているデータセットには、1999 年から 2008 年の間に米国の 130 の病院のうちの 1 つで糖尿病と診断され、1 日から 14 日間の入院期間を経た病院での受診が含まれています。
1 回の受診につき、国際疾病分類第 9 改訂 (ICD-9) 診断コードは 3 つだけ、検査値は 2 つだけ (血糖値と HbA1c) が記録されました。
最後に、計画的再入院と計画外の再入院には区別がありません。 したがって、これらのモデルの中で最も優れたものであっても、今日の患者ではそれほど良好なパフォーマンスを発揮しない可能性があります。 より最新の一般化可能なモデルが必要です。
したがって、これらのギャップに対処するために、現在の研究の目的は次のとおりでした: 1) 計画外の全原因による 30- 日の再入院を予測するための DL モデルを開発すること、2) DL モデルのパフォーマンスを比較すること従来の ML モデル、3)
モデル開発に含まれる 1 から 100 までの以前の EHR 遭遇の範囲にわたるモデルのパフォーマンスを調査すること、および 4) ドメイン知識によって選択された臨床検査のサブセットを使用して開発された DL モデルと、利用可能なすべての臨床検査を使用して開発された DL モデルを比較すること。
すべてのモデルは、National Patient-CenteredClinical Research Network (PCORnet) 共通データ モデルによって定義された人口統計、バイタル サイン、診断コード、処置コード、薬剤、臨床検査、および管理データを使用して、36,641 人の糖尿病患者の 2,836,569 件のデータセットで開発およびテストされました。 (CDM).29
材料と方法
患者コホートの定義
対象基準は、2010 年 7 月 1 日から 2020 年 12 月 31 日までに、ペンシルベニア州フィラデルフィアにある 3 つのテンプル大学ヘルス システム病院のいずれかから少なくとも 1 回退院し、以下の少なくとも 1 つによって定義される糖尿病である患者でした: 糖尿病の診断 ( ICD-9: 249.xx または 250.xx または ICD-10: E08.xxx から E13.xxx); a ヘモグロビン A1c (HbA1c) レベルが 6.5% 以上、または糖尿病専用の薬の注文。
高齢患者の遭遇は除外されました<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).
患者は、再入院の状況に応じて 2 つのグループのいずれかに分類されました。少なくとも 1 回は再入院した患者と、再入院しなかった患者です。 再入院した患者の中から、分析のために入院と再入院のペアを 1 つ無作為に選択しました。 再入院しなかった患者の中から、分析のために入院 1 名がランダムに選択されました。
変数の定義とデータの前処理
表は、出会い、人口統計、診断、臨床検査、投薬指示、手順、およびバイタルサインの各領域について CDM から抽出されました。 特定の遭遇の特徴は複数のテーブルに存在するため、テーブルは一意の識別子によってマージされました。 抽出されたテーブルを結合すると、特定のエンカウントのすべてのレコードが含まれるサンプルが得られました。
これにより、大幅な欠品が発生しました。 したがって、欠落は別個の特徴として使用されました。 連続特徴の場合、欠損データは 0 に置き換えられ、カテゴリ特徴は固有のカテゴリに置き換えられました。
合計 23 の特徴がモデルへの入力として使用されました: 14 が CDM から抽出され、9 が集約されました。抽出された特徴は次のとおりです: 1) 遭遇タイプ (入院患者、救急外来、経過観察滞在、外来訪問、その他の外来訪問、遠隔医療、およびその他; 2) 退院状況(介護付き生活施設、医師の勧告に反して、退院、在宅医療、在宅/セルフケア、ホスピス、老人ホーム、リハビリ施設、熟練介護施設; 3) 性別; 4) ヒスパニック系。 5）人種（アメリカインディアン/アラスカ先住民、アジア人、黒人、太平洋諸島人、白人、その他/情報なし）。 6) タバコ (現在のユーザー、一度も使用したことがない、元のユーザー、受動的曝露、その他/情報なし)。 7) 年齢。 8)
診断臨床分類システム (CCS) コード;29 9) 手順 CCS コード;29 10) 検査結果; 11) 各患者に遭遇する前 1 年以内に薬を注文した。 12）拡張期血圧。 13）最高血圧。 および 14) ボディマス指数 (BMI)。
集約された特徴は次のとおりです: 1) エリックスハウザー病状: 各病状の有無を示すバイナリ特徴;30 2) 入院期間 (日数単位の入院期間)。 3) CCS コードに変換する前のいくつかのプロシージャコード。 4) CCS コードに変換する前のいくつかの診断コード。 5) 遭遇の種類に関係なく、前回の遭遇からの日数。 6) 前回の入院患者、経過観察または救急部門の遭遇から数日。 7) 他の（病院以外の）遭遇タイプとの前回の遭遇から数日。 8) 今回の遭遇の前に、入院患者、観察部門、救急部門で数回遭遇した。 9) 現在の遭遇の前に他の数回の (病院以外の) 遭遇。
コード形式を統一するために、ICD-9 コードが ICD-10 コードに変換されました。 ICD-10 コードと手順コードは CCS コードに変換されました。 専門分野の知識に基づいて、糖尿病に関連する薬剤は次のように分類されました: クラス別の糖尿病治療薬、コレステロール、コルチコステロイド、レニン アンジオテンシン系 (RAAS) 降圧剤、および非 RAS 降圧剤。 他の薬は無視されました。
信頼できない、ほとんどが欠落している、または相関していると判明した機能は削除されました。 日付、結果、身長、体重、BMI、血圧 (収縮期および拡張期) などの異常値は、データ分布、パーセンタイル、およびドメイン知識を観察することによって除去されました。 欠損値は、遭遇に関してパラメータが収集されなかったことを示す別のカテゴリとして扱われました。
モデル予測の主要アウトカム (�) は、メディケア・メディケイド・サービスセンター (CMS) によって定義された入院患者の退院から 30 日以内の計画外の全原因入院患者の再入院でした 31。 CMS の定義に基づくと、30 日以内の最初の再入院のみです。日数を分析しました。
For more information:1950477648nn@gmail.com
