Microsoft Word - Deep Learning vs Traditional Models_Abdel Hai_Final.Part 3

În acest studiu, au fost efectuate experimente ample pentru a determina câte întâlniri anterioare sunt optime pentru a prezice admiterea.

Pe măsură ce ritmul vieții se accelerează, suntem expuși la o cantitate mare de informații în fiecare zi și trebuie să menținem o anumită cantitate de memorie pentru a absorbi și utiliza mai bine aceste informații. Mulți oameni pot simți că memoria lor nu este suficient de puternică, dar prin cercetări experimentale ample, putem descoperi că memoria poate fi antrenată și îmbunătățită.

Primul experiment asociat a analizat efectele yoga asupra îmbunătățirii memoriei. Experimentul, desfășurat la Universitatea din California, San Francisco, a arătat că practica de yoga a crescut materia cenușie din creier și a îmbunătățit memoria pe termen scurt și lung a studenților. Acest lucru se datorează faptului că yoga are un efect foarte bun de îngrijire a sănătății asupra sănătății fizice și mentale a oamenilor, poate ameliora stresul și anxietatea și, prin urmare, îmbunătățește memoria oamenilor.

Al doilea experiment a explorat relația dintre somn și memorie. Cercetătorii au descoperit că somnul suficient este bun pentru memoria oamenilor. Somnul poate promova transmiterea de informații între celulele creierului, poate ajuta la consolidarea amintirilor și poate îmbunătăți capacitatea de stocare pe termen lung a amintirilor.

Al treilea experiment este utilizarea jocurilor matematice pentru a îmbunătăți capacitatea de calcul și memoria elevilor. În experimentul, desfășurat la Universitatea din Hong Kong, cercetătorii au cerut studenților să efectueze activități matematice simple pentru a le stimula activitatea creierului. Rezultatele au arătat că, după ce au primit instruirea, capacitatea de calcul și memoria elevilor s-au îmbunătățit. Acest lucru arată că, cu antrenament și stimulare adecvată, funcția creierului poate fi îmbunătățită complet.

Prin experimentele de mai sus, știm că memoria poate fi antrenată și îmbunătățită și nu trebuie să vă faceți prea multe griji că memoria nu este suficient de bună. Ne putem îmbunătăți în mod eficient memoria și ne putem face față mai bine provocărilor vieții moderne, efectuând exerciții adecvate, cum ar fi exerciții de yoga, somn adecvat și diverse jocuri. Se poate observa că trebuie să îmbunătățim memoria, iar Cistanche deserticola poate îmbunătăți semnificativ memoria deoarece Cistanche deserticola este un material medicinal tradițional chinezesc care are multe efecte unice, dintre care unul este îmbunătățirea memoriei. Eficacitatea cărnii tocate vine din diferitele ingrediente active pe care le conține, inclusiv acid, polizaharide, flavonoide etc. Aceste ingrediente pot promova sănătatea creierului în diferite moduri.

Faceți clic pe cunoaște 10 moduri de a îmbunătăți memoria

Am efectuat experimente luând în considerare � întâlniri din ultimii 2 ani, unde � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100}. Numărul mediu de întâlniri per pacient în această perioadă a fost de 21, iar percentila 90 a fost de 56.

Variația numărului de întâlniri a dus la o lungime neunificată a vectorilor caracteristici. Astfel, într-un experiment care ia în considerare până la 60 întâlniri, vectorii caracteristici lipsiți de date au fost completați cu 0 pentru a se asigura că vectorii caracteristici pentru toți pacienții reprezintă 60 de întâlniri.

Acest studiu a emis ipoteza că modelele DL depășesc modelele tradiționale la un etalon mare, prin urmare, a fost efectuată o analiză comparativă cu o varietate de metrici de evaluare pentru a evalua și compara algoritmii DL cu modelele tradiționale de bază.

Mai mult, pentru a examina importanța cunoștințelor domeniului, am instruit și testat modelele pe date cu toate studiile de laborator incluse în setul de date EHR și în comparație cu modelele instruite și testate cu un subset de studii de laborator bazate pe rapoartele anterioare de asociere cu readmisia (albumină serică, anioni). decalaj, pH arterial, bilirubină, azot ureic din sânge, dioxid de carbon, creatinina serică, glucoză din sânge, hematocrit, lactat, PaCO2, PaO2, sodiu seric, troponina-I, pH venos și număr de celule albe din sânge).11, 34 Folosind numai un subsetul de studii de laborator poate fi benefic prin reducerea dimensionalității.

Pacienții au fost sortați aleatoriu în 3 subseturi care nu se suprapun, unde 70% au fost utilizați pentru antrenament, 10% pentru validare și 20% pentru testare. Am folosit tehnici de validare încrucișată pentru a găsi hiperparametrii care produc cele mai bune performanțe.

Pentru LSTM și GRU, am variat numărul de neuroni, abandonul, dimensiunea lotului și numărul de epoci folosind o căutare în grilă. În urma literaturii de specialitate, în experimentele efectuate, procentul de abandon a variat de la 0 la 50, iar numărul de neuroni a variat de la 32 la 512.

Am selectat o renunțare de 0.1, 128 de neuroni, o dimensiune a lotului de 512 și 16 epoci pentru LSTM și 12 epoci pentru GRU, deoarece GRU bidirecțional converge mai repede decât 1-mod LSTM. Funcția de activare sigmoid. și optimizatorul Adam au fost utilizate. Modelele tradiționale au fost, de asemenea, reglate fin și au fost aleși hiperparametrii care au dat cele mai bune performanțe.

Măsuri de performanță și analiză

Performanța metodelor utilizate în studiul nostru a fost evaluată prin cinci metrici comune: Aria de sub curba caracteristică de funcționare a receptorului (AUROC), Recall (cunoscută și sub numele de Sensibilitate), Specificitate, Scor F1-și Precizie. Definițiile formale ale acestor metrici de evaluare sunt comune și pot fi găsite cu ușurință.34

Analiza semnificației statistice a fost efectuată pentru a evalua stabilitatea și semnificația performanței modelului propus.Am selectat aleatoriu diferiți pacienți pentru antrenament și testare și am repetat selecția aleatorie de 10 ori pentru a genera măsuri de performanță medie și intervale de încredere de 95%.

LSTM a fost comparat cu cel mai performant model tradițional (RF) prin testul t. O valoare p<0.05 was considered statistically significant. The Temple University Institutional Review Board approved the protocol.

Rezultate

Au fost analizați un total de 36.641 de pacienți cu 2.836.569 de întâlniri. Au fost 9.130 de pacienți cu cel puțin o readmitere și 27.511 fără o readmitere. Influența numărului de întâlniri din ultimii 2 ani a fost evaluată pentru cinci modele de predicție în care � întâlniri au fost considerate pentru fiecare model, iar experimentele au fost repetate pentru � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100} .

Figura 2 prezintă AUROC al modelului propus, LSTM, în comparație cu modelele tradiționale în diferite numere de întâlniri. GRU bidirecțional a fost, de asemenea, efectuat, dar a fost omis deoarece a obținut un AUROCto LSTM identic. LSTM a depășit modelele tradiționale la un etalon mare în toate experimentele cu un număr diferit de întâlniri.

În medie, modelele LSTM au produs o creștere a AUROC de {{0}}.06 în comparație cu modelele tradiționale cu cele mai bune performanțe, RF. Experimentele arată că predicția readmiterii bazată pe o singură întâlnire anterioară nu este suficientă și a dat performanțe mult mai scăzute (0,7 folosind modelele DL și 0,68 folosind modelul tradițional cu cele mai bune performanțe).

Modelele DL au atins un platou atunci când au fost antrenate folosind date din 30întâlniri cu îmbunătățiri minime ulterior. Algoritmul DL a generat o creștere de 0,07 a AUROC față de modelul tradițional RF cu cele mai bune performanțe atunci când se utilizează numărul optim de întâlniri, 80.

Tabelul 1 arată performanța modelelor LSTM și tradiționale folosind toate testele de laborator de la până la 80 dintre cele mai recente întâlniri din ultimii 2 ani. În general, intervalele de încredere au fost foarte mici (<0.02), indicating a high degree of precision around the means. 

Metoda propusă, LSTM, a obținut un AUROC mediu de {{0}},79 cu un CI 95% de 0,001. Valoarea p obținută prin compararea LSTM AUROC cu cel de-al doilea model cu cea mai bună performanță (RF) a fost<0.0001, hence, LSTM performance was significantly greater than the traditional models.

Modelele LSTM au obținut o Reamintire/Sensibilitate de 0,81, ceea ce indică faptul că performanța a fost destul de puternică în a prezice elementele pozitive adevărate, (adică, clasificarea corectă a pacienților cu reinterne).

Toate modelele utilizate în studiul nostru au obținut o specificitate foarte bună, (adică, rata negativă adevărată). Astfel, modelele instruite au avut rezultate bune la prezicerea pacienților care nu sunt susceptibili de a fi readmiși. LSTM a obținut un scor F{{0}}de 0,80, indicând o capacitate foarte bună de a distinge între pacienții care vor fi readmiși sau nu.

Pentru a determina dacă cunoștințele de domeniu despre studiile de laborator sunt utile, am efectuat două experimente diferite în care am antrenat și testat modelul pe baza unui subset de 16 studii de laborator unice selectate în funcție de cunoștințele de domeniu față de utilizarea tuturor celor 981 de studii de laborator unice incluse în date.

Au fost utilizate și modificate tehnici de codare One Hot pentru a asocia rezultatul de laborator cu fiecare cod de laborator. A fost creată o gamă lungă unică de coduri de laborator������_���_�����. Pentru fiecare întâlnire, a fost creată o matrice de zerouri � de aceeași lungime cu ������_���_�����. �constă din rezultatul la același indice al fiecărui test de laborator în������_���_�������, pentru a asocia rezultatul unui anumit cod de laborator. O întâlnire fără rezultate de laborator ar avea un � de zero, indicând că nu a fost efectuat niciun test de laborator pentru o întâlnire dată.

Din moment ce majoritatea întâlnirilor au cuprins<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).

Discuţie

În această cohortă retrospectivă de 36.563 de pacienți cu diabet zaharat, modelele DL au depășit modelele RF, MLP, AdaBoost și LR în a prezice readmisia neplanificată, pentru toate cauzele 30-zile. Modelul optim LSTM a dat un AUROC de 0.79 și o precizie de 0.81, indicând o performanță foarte bună. Experimentele menite să dezvăluie relația dintre numărul de întâlniri anterioare și performanța modelului arată că AUROC al modelelor LSTM a crescut pe măsură ce numărul de întâlniri a crescut și a atins un platou la 30 de întâlniri. Performanța modelelor tradiționale a crescut într-o măsură mai mică până la numerele de întâlniri anterioare de 15 sau 30, apoi a crescut (RF) sau a scăzut (MLP, AdaBoost, LR) pe măsură ce numărul de întâlniri a crescut. În cele din urmă, un model LSTM care a inclus un set de 16 teste de laborator selectate în funcție de cunoștințele domeniului a dat o performanță echivalentă cu un model LSTM care a inclus toate testele de laborator disponibile.

În studiul nostru, modelele DL au avut performanțe mai bune decât modelele tradiționale. Suntem conștienți de 4 studii care au comparat modelele DL cu modelele tradiționale pentru prezicerea riscului de readmisie al pacienților cu diabet zaharat. Două dintre aceste studii au demonstrat un avantaj clar al abordărilor DL ​​față de modelele tradiționale ML,23,24, în timp ce două studii au constatat beneficii marginale cu abordările DL.25,27 Performanța acestor modele DL a fost variabilă cu AUROC 0.61-0 0,97 și precizie de 0.69-0,95, dintre care niciunul nu a depășit-o pe cea a celor mai bune modele ML tradiționale, care au raportat AUROC până la 0,99 și precizie de {{13} }.99.23,27 Comparațiile dintre performanța modelului din toate aceste studii sunt însă limitate de lipsa raportării standardizate a caracteristicilor de performanță și a abordărilor variabile ale testării. Studiul nostru luat în considerare cu studiile anterioare care au comparat direct DL cu modelele tradiționale ML, sugerează că abordările DL au, de obicei, performanțe mai bune la această populație.

Nu cunoaștem alte lucrări care au explorat relația dintre numărul de întâlniri anterioare și performanța modelului de risc de readmisie la pacienții cu diabet. Cu toate acestea, într-o lucrare conexă, o lucrare a examinat modul în care performanța modelelor de predicție a riscului de readmisie la pacienții cu obezitate morbidă a variat pe măsură ce numărul de spitalizări a crescut de la un minim de 2 la 5,35 AUROC a crescut de la 2 la 3 spitalizări, apoi a crescut. Într-un alt studiu în linii mari, am constatat că performanța modelelor LR pentru prezicerea riscului de readmisie al pacienților cu diabet zaharat a avut tendința de a crește pe măsură ce dimensiunea eșantionului a crescut de la 2,000 până la 6,000, apoi a crescut în plateau. .36 Acest corp de cercetare sugerează că experimentarea într-o gamă de numere de întâlniri și dimensiuni de eșantion poate dezvălui praguri care ar putea optimiza analiza datelor, echilibrând cantitatea de informații cu dimensionalitatea.

De asemenea, nu cunoaștem alte studii care au comparat modele de risc de readmisie folosind date de laborator selectate după cunoștințele de domeniu cu toate datele de laborator disponibile la pacienții cu diabet. Există un compromis între includerea tuturor datelor de laborator, care are ca rezultat o dimensionalitate mai mare și modele mai costisitoare din punct de vedere computațional, și implicarea unui expert în domeniu pentru a selecta un subset de date de laborator, ceea ce poate fi costisitor și mai puțin fezabil. Ca și numărul de întâlniri anterioare dincolo de care performanța modelului nu s-a îmbunătățit, constatarea că performanța modelului cu subsetul de date de laborator a fost echivalentă cu modelul cu toate datele de laborator sugerează că există un platou similar pentru acest domeniu. Ar trebui investigat dacă acest fenomen se generalizează sau nu la alte populații de pacienți.

Modelele LSTM prezentate, pe care le numim eDERRITM, sunt o extensie a modelelor noastre anterioare, DERRITM și DERRIplus.8,11 În ceea ce privește AUROC, modelul eDERRITM a avut performanțe mai bune decât DERRITM, dar mai proaste decât DERRIplus. Din păcate, performanța celor 3 modele nu poate fi comparată direct în studiul curent, deoarece setul de date nu include codul poștal, statutul de angajare sau informații despre plătitor. Spre deosebire de DERRITM și DERRIplus, modelele eDERRITM sunt dezvoltate cu date EHR disponibile în general, cum ar fi date demografice, semne vitale, coduri de diagnostic și proceduri, medicamente, teste de laborator și date administrative, așa cum sunt definite de PCORnet CDM.29 CDM standardizează extracția datelor EHR, sporind generalizarea și scalabilitatea modelelor care îl folosesc. Intenționăm să traducem eDERRITM într-o aplicație încorporată într-un sistem EHR care va genera automat predicții de risc de readmisie pentru pacienții spitalizați cu diabet.

În plus față de generalizarea setului de date bazat pe CDM, studiul actual are și alte puncte forte notabile. Setul de date este prelevat de la pacienții cu o spitalizare între 01.07.2010 și 31.12.2020, ceea ce este mult mai recent decât seturile de date utilizate pentru alte modele de risc de readmisie publicate în prezent la pacienții cu diabet zaharat. De asemenea, spre deosebire de setul de date cel mai utilizat, care a inclus doar întâlniri în spital cu un diagnostic asociat de diabet și o durată de ședere mai mică de 15 zile, setul de date actual a inclus toate tipurile de întâlniri, indiferent de diagnosticul asociat, captând atât date pentru pacienți internați, cât și pentru pacienți ambulatoriu. În cele din urmă, dimensiunea eșantionului de 36.563 de pacienți cu 2.836.569 de întâlniri a oferit date ample pentru a dezvolta modele DL și a efectua experimente cu până la 100 de întâlniri anterioare.

Există câteva limitări care merită recunoscute. Datele au fost prelevate dintr-un singur sistem de sănătate urban, academic. Prin urmare, generalizarea modelelor la alte populații este necunoscută și necesită testare. Lipsa codurilor poștale atât a pacientului, cât și a spitalului împiedică estimarea distanței dintre codul poștal de acasă al pacientului și spital, care este cunoscut a fi asociat cu riscul de readmisie.8,11 În cele din urmă, readmisiile în alte spitale nu au fost capturate.

Concluzie

A fost dezvoltat și testat intern un model LSTM cu performanțe foarte bune, care prezice readmisia neplanificată, pentru toate cauzele 30-zile, printre pacienții cu diabet zaharat. Modelele LSTM depășesc modelele tradiționale la anticiparea admiterii în această populație. Performanța modelului LSTM crește inițial pe măsură ce numărul de întâlniri anterioare crește și apoi crește. Caracteristicile de laborator atent selectate pot genera modele predictive cu performanțe egale cu cele ale modelelor bazate pe toate studiile de laborator disponibile. Este necesar un studiu suplimentar pentru validarea externă a modelului.

Mulțumiri

Această cercetare a fost susținută de Institutul Național de Sănătate (NIH) cu numărul de grant R01DK122073.

Referințe

1. Benbassat J, Taragin M. Reinternările la spital ca măsură a calității asistenței medicale: Avantaje și limitări. Arhivele Medicinei Interne. 2000;160:1074-1081.

2. Rubin DJ. Reinternarea în spital a pacienților cu diabet zaharat. Rapoarte curente despre diabet. 2015;15:1-9.

3. Ostling S, Wyckoff J, Ciarkowski SL, Pai CW, Choe HM, Bahl V, et al. Relația dintre diabet zaharat și ratele de readmisie de 30-zi. Diabet clinic și endocrinologie. 2017;3:3.

4. Enomoto LM, Shrestha DP, Rosenthal MB, Hollenbeak CS, Gabbay RA. Factorii de risc asociați cu 30-zile de readmisie și durata șederii la pacienții cu diabet zaharat de tip 2. J Complicații ale diabetului. 2017;31:122-127.

5. AHRQ, costul asistenței medicale și proiectul de utilizare (hcup) eșantion național pentru pacienți internați (nis). , 2018.

6. ADA. Costurile economice ale diabetului în SUA În 2017. Îngrijirea diabetului. 2018;41:917-928.

7. Rubin DJ, Shah AA. Predicția și prevenirea reutilizarii îngrijirilor acute de către pacienții cu diabet. Rapoarte curente despre diabet. 2021;21.

8. Rubin DJ, Handorf EA, Golden SH, Nelson DB, McDonnell ME, Zhao H. Dezvoltarea și validarea unui nou instrument pentru a prezice riscul de readmisie în spital în rândul pacienților cu diabet zaharat. Endocr Pract. 2016;22:1204-1215.

9. Rubin DJ, Recco D, Turchin A, Zhao H, Golden SH. Validarea externă a indicatorului de risc de reintrare precoce a diabetului (Terri ()). Endocr Pract. 2018;24:527-541.10. Alamer AA, Patanwala AE, Aldayyen AM, Fazel MT. Validarea și compararea a două 30-modele de predicție pentru readmisia la pacienții cu diabet zaharat. Endocr Pract. 25;2019:1151-1157.

For more information:1950477648nn@gmail.com