Microsoft Word - Duboko učenje naspram tradicionalnih modela_Abdel Hai_Završno. 3. dio

U ovoj studiji provedeni su opsežni eksperimenti kako bi se utvrdilo koliko je prethodnih susreta optimalno za predviđanje ponovne prijema.

Kako se tempo života ubrzava, svakodnevno smo izloženi velikoj količini informacija i moramo održavati određenu količinu memorije kako bismo bolje apsorbirali i iskoristili te informacije. Mnogi ljudi mogu smatrati da njihovo pamćenje nije dovoljno snažno, ali kroz opsežna eksperimentalna istraživanja možemo otkriti da se pamćenje može trenirati i poboljšati.

Prvi srodni eksperiment razmatrao je efekte joge na poboljšanje pamćenja. Eksperiment, sproveden na Univerzitetu Kalifornije u San Francisku, pokazao je da vežbanje joge povećava sivu tvar u mozgu i poboljšava kratkoročno i dugotrajno pamćenje učenika. To je zato što joga ima vrlo dobar zdravstveni učinak na fizičko i mentalno zdravlje ljudi, može ublažiti stres i anksioznost, a time i poboljšati pamćenje ljudi.

Drugi eksperiment istraživao je odnos između sna i pamćenja. Istraživači su otkrili da je dovoljno sna dobro za pamćenje ljudi. Spavanje može promovirati prijenos informacija između moždanih stanica, pomoći u konsolidaciji sjećanja i poboljšati kapacitet dugoročnog skladištenja sjećanja.

Treći eksperiment je korištenje matematičkih igara za poboljšanje sposobnosti računanja i pamćenja učenika. U eksperimentu, sprovedenom na Univerzitetu u Hong Kongu, istraživači su tražili od studenata da izvode jednostavne matematičke aktivnosti kako bi stimulisali njihovu moždanu aktivnost. Rezultati su pokazali da su se nakon završene obuke poboljšale računske sposobnosti i pamćenje učenika. Ovo pokazuje da se uz odgovarajući trening i stimulaciju, funkcija mozga može sveobuhvatno poboljšati.

Kroz gore navedene eksperimente znamo da se pamćenje može istrenirati i poboljšati, i ne morate previše brinuti da vaše pamćenje nije dovoljno dobro. Možemo efektivno poboljšati svoje pamćenje i bolje se nositi s izazovima savremenog života izvođenjem odgovarajućih vježbi, kao što su vježbe joge, adekvatan san i razne igre. Vidi se da moramo poboljšati pamćenje, a cistanche deserticola može značajno poboljšati pamćenje jer je cistanche deserticola tradicionalni kineski ljekoviti materijal koji ima mnogo jedinstvenih učinaka, od kojih je jedno poboljšanje pamćenja. Djelotvornost mljevenog mesa proizlazi iz različitih aktivnih sastojaka koje sadrži, uključujući kiselinu, polisaharide, flavonoide, itd. Ovi sastojci mogu promovirati zdravlje mozga na različite načine.

Kliknite na saznajte 10 načina za poboljšanje memorije

Proveli smo eksperimente razmatrajući � susrete u prethodne 2 godine, gdje je � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100}. Prosječan broj susreta po pacijentu u ovom periodu bio je 21, a 90.percentil 56.

Varijacija u broju susreta rezultirala je neujednačenom dužinom vektora karakteristika. Dakle, u eksperimentu koji razmatra do 60 susreta, vektori karakteristika kojima nedostaju podaci su dopunjeni 0s kako bi se osiguralo da vektori karakteristika za sve pacijente predstavljaju 60 susreta.

Ova studija pretpostavila je da DL modeli nadmašuju tradicionalne modele na velikom benčmarku, stoga je izvršena komparativna analiza sa različitim metrikama evaluacije da bi se procijenili i uporedili DL algoritmi sa osnovnim tradicionalnim modelima.

Štaviše, da bismo ispitali važnost znanja iz domene, obučili smo i testirali modele na podacima sa svim laboratorijskim studijama uključenim u skup podataka EHR-a i u poređenju sa modelima obučenim i testiranim sa podskupom laboratorijskih studija na osnovu prethodnih radova koji izveštavaju o povezanosti sa ponovnim prijemom (serumski albumin, anion jaz, arterijski pH, bilirubin, azot uree u krvi, ugljični dioksid, kreatinin u serumu, glukoza u krvi, hematokrit, laktat, PaCO2, PaO2, natrijum u serumu, troponin-I, venski pH i broj bijelih krvnih zrnaca).11, 34 Korištenje samo podskup laboratorijskih studija može biti od koristi smanjenjem dimenzionalnosti.

Pacijenti su nasumično sortirani u 3 podskupine koje se ne preklapaju, gdje je 70% korišteno za obuku, 10% za validaciju i 20% za testiranje. Koristili smo tehnike unakrsne validacije kako bismo pronašli hiperparametre koji daju najbolje performanse.

Za LSTM i GRU, mijenjali smo broj neurona, ispadanje, veličinu serije i broj epoha koristeći pretragu mreže. Prema literaturi, u sprovedenim eksperimentima procenat odustajanja je varirao od 0 do 50, a broj neurona je varirao od 32 do 512.

Odabrali smo ispadanje 0.1, 128 neurona, veličinu serije 512 i 16 epoha za LSTM i 12 epoha za GRU jer dvosmjerni GRU konvergira brže od 1-puta LSTM. Sigmoidna funkcija aktivacije i Adam optimizator su korišteni. Tradicionalni modeli su također fino podešeni i odabrani su hiperparametri koji su dali najbolje performanse.

metrika i analiza učinka

Učinak metoda korištenih u našoj studiji procijenjen je pomoću pet uobičajenih metrika: područje ispod krive radne karakteristike prijemnika (AUROC), opoziv (također poznat kao osjetljivost), specifičnost, F1-skor i tačnost. Formalne definicije ovih metrika evaluacije su uobičajene i lako se mogu pronaći.34

Izvršena je statistička analiza značajnosti kako bi se ocijenila stabilnost i značaj performansi predloženog modela.Nasumično smo odabrali različite pacijente za obuku i testiranje i ponovili nasumični odabir 10 puta kako bismo generisali srednje mjere učinka i 95% intervala pouzdanosti.

LSTM je upoređen sa tradicionalnim modelom s najboljim performansama (RF) pomoću t-testa. P-vrijednost<0.05 was considered statistically significant. The Temple University Institutional Review Board approved the protocol.

Rezultati

Analiziran je ukupno 36.641 pacijent sa 2.836.569 susreta. Bilo je 9.130 pacijenata sa najmanje jednom readmisijom i 27.511 bez readmisije. Utjecaj broja susreta u prethodne 2 godine procijenjen je za pet modela predviđanja gdje su � susreti smatrani za svaki model, a eksperimenti su ponovljeni za � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100} .

Slika 2 predstavlja AUROC predloženog modela, LSTM, naspram tradicionalnih modela kroz različit broj susreta. Dvosmjerni GRU je također izveden, ali je izostavljen jer je postigao identičan AUROCto LSTM. LSTM je nadmašio tradicionalne modele na velikom mjerilu u svim eksperimentima s različitim brojem susreta.

U prosjeku, LSTM modeli su dali povećanje AUROC-a od {{0}}.06 u poređenju sa tradicionalnim modelima s najboljim performansama, RF. Eksperimenti pokazuju da predviđanje readmisije na osnovu jednog prethodnog susreta nije dovoljno i da je dalo mnogo niže performanse (0,7 korišćenjem DL modela i 0,68 korišćenjem tradicionalnog modela sa najboljim performansama).

DLmodeli su dostigli plato kada su obučeni koristeći podatke iz 30susreta uz minimalno poboljšanje nakon toga. DLalgoritam je dao povećanje AUROC-a za 0,07 u odnosu na tradicionalni model RF s najboljim učinkom kada se koristi optimalan broj susreta, 80.

Tabela 1 prikazuje performanse LSTM i tradicionalnih modela koristeći sve laboratorijske testove od do 80 najnovijih susreta u prethodne 2 godine. Sve u svemu, intervali pouzdanosti su bili vrlo mali (<0.02), indicating a high degree of precision around the means. 

Predložena metoda, LSTM, dobila je prosječni AUROC od {{0}},79 sa 95% CI od 0,001. P-vrijednost dobivena poređenjem LSTM AUROC sa drugim modelom s najboljim performansama (RF) bila je<0.0001, hence, LSTM performance was significantly greater than the traditional models.

LSTM modeli postigli su opoziv/osjetljivost od 0.81, što ukazuje da su performanse bile prilično jake u predviđanju istinskih pozitivnih rezultata (tj., ispravno klasificiranje pacijenata sa ponovnim prijemom).

Svi modeli korišteni u našem istraživanju postigli su vrlo dobru specifičnost (tj. pravu negativnu stopu). Dakle, obučeni modeli su se dobro pokazali u predviđanju pacijenata za koje nije vjerovatno da će biti ponovo primljeni. LSTM je postigao F{{0}}skor od 0,80, što ukazuje na vrlo dobru sposobnost razlikovanja pacijenata koji će biti ponovo primljeni ili ne.

Da bismo utvrdili da li je znanje iz domena laboratorijskih studija od pomoći, izveli smo dva različita eksperimenta u kojima smo obučili i testirali model zasnovan na podskupu od 16 jedinstvenih laboratorijskih studija odabranih prema znanju iz domene u odnosu na korištenje svih 981 jedinstvenih laboratorijskih studija uključenih u podatke.

Korištena je i modificirana jedna tehnika vrućeg kodiranja kako bi se laboratorijski rezultat povezao sa svakim laboratorijskim kodom. Kreiran je dugačak jedinstveni niz laboratorijskih kodova������_���_�����. Za svaki susret kreiran je niz nula � iste dužine kao �����_���_�����. �sastoji se od rezultata na istom indeksu svakog laboratorijskog testa u������_���_�������, da se rezultat poveže sa datim laboratorijskim kodom. Susret bez laboratorijskih rezultata imao bi � of nula, što ukazuje da za dati susret nije proveden laboratorijski test.

Budući da je većina susreta sadržana<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).

Diskusija

U ovoj retrospektivnoj kohorti od 36.563 pacijenata sa dijabetesom, DL modeli su nadmašili RF, MLP, AdaBoost i LR modele u predviđanju neplaniranih, 30-dnevnih ponovnih prijema za sve uzroke. Optimalni LSTM model je dao AUROC od 0,79 i tačnost od 0,81, što ukazuje na vrlo dobre performanse. Eksperimenti osmišljeni da otkriju odnos između broja prethodnih susreta i performansi modela pokazuju da se AUROC LSTM modela povećavao kako se broj susreta povećavao i platoirao na 30 susreta. Performanse tradicionalnih modela su se povećale u manjoj mjeri do prethodnih brojeva susreta od 15 ili 30, a zatim su ili plato (RF) ili opadale (MLP, AdaBoost, LR) kako se broj susreta povećavao. Konačno, LSTM model koji je uključivao skup od 16 laboratorijskih testova odabranih prema poznavanju domena dao je ekvivalentne performanse LSTM modelu koji je uključivao sve dostupne laboratorijske testove.

U našem istraživanju DL modeli su imali bolje rezultate od tradicionalnih modela. Svjesni smo 4 studije koje su upoređivale DLL modele sa tradicionalnim modelima za predviđanje rizika ponovnog prijema pacijenata sa dijabetesom. Dvije od ovih studija pokazale su jasnu prednost DL pristupa u odnosu na tradicionalne ML modele,23,24 dok su dvije studije otkrile marginalnu korist od DL pristupa.25,27 Performanse ovih DL modela su bile varijabilne sa AUROC 0.61-0 .97 i tačnost od 0.69-0.95, od kojih nijedan nije premašio one od najboljih tradicionalnih ML modela, koji su prijavili AUROC do 0.99 i tačnost od {{13} }.99.23,27 Poređenja performansi modela u svim ovim studijama, međutim, ograničena su nedostatkom standardizovanog izveštavanja o karakteristikama performansi i promenljivim pristupima testiranju. Naša studija razmatrana sa prethodnim studijama koje su direktno upoređivale DL sa tradicionalnim modelima ML, sugeriše da DL pristupi obično daju bolje performanse u ovoj populaciji.

Nisu nam poznati drugi radovi koji su istraživali odnos između broja prethodnih susreta i performansi modela rizika od ponovnog prijema kod pacijenata sa dijabetesom. U srodnom radu, međutim, jedan rad je ispitao kako je učinak modela za predviđanje rizika ponovnog prijema kod morbidno gojaznih pacijenata varirao kako se broj hospitalizacija povećao sa minimalnih 2 na 5,35 AUROC se povećao sa 2 na 3 hospitalizacije koje su tada stavljene na plato. U drugoj široko povezanoj studiji, otkrili smo da performanse LR modela za predviđanje rizika ponovnog prijema pacijenata sa dijabetesom imaju tendenciju povećanja kako se veličina uzorka povećava sa 2,000 na 6,000, a zatim pada na plato .36 Ovo istraživanje sugerira da eksperimentisanje u nizu brojeva susreta i veličina uzoraka može otkriti pragove koji bi mogli optimizirati analizu podataka, balansirajući količinu informacija sa dimenzionalnošću.

Također nam nisu poznate druge studije koje su upoređivale modele rizika od ponovnog prijema koristeći laboratorijske podatke odabrane prema znanju iz domene sa svim dostupnim laboratorijskim podacima kod pacijenata sa dijabetesom. Postoji kompromis između uključivanja svih laboratorijskih podataka, što rezultira višom dimenzionalnošću i računski skupljim modelima, i uključivanja stručnjaka iz domena da odabere podskup laboratorijskih podataka, što može biti skupo i manje izvodljivo. Kao i broj prethodnih susreta nakon kojih se performanse modela nisu poboljšale, nalaz da je performanse modela s podskupom laboratorijskih podataka ekvivalentan modelu sa svim laboratorijskim podacima sugerira da postoji sličan plato za ovu domenu. Trebalo bi ispitati da li se ovaj fenomen generalizira na druge populacije pacijenata.

Predstavljeni LSTM modeli, koje nazivamo eDERRITM, produžetak su naših prethodnih modela, DERRITM i DERRIplus.8,11 U pogledu AUROC-a, eDERRITM model je imao bolji učinak od DERRITM, ali lošije od DERRIplus-a. Nažalost, performanse 3 modela ne mogu se direktno porediti u trenutnoj studiji jer skup podataka ne uključuje poštanski broj, status zaposlenja ili informacije o platiocu. Za razliku od DERRITMand DERRIplus, eDERRITM modeli su razvijeni sa opšte dostupnim EHR podacima kao što su demografija, vitalni znaci, dijagnostički i šifre procedura, lekovi, laboratorijski testovi i administrativni podaci kako je definisano od strane PCORnet CDM.29 CDM standardizuje apstrakciju EHR podataka, poboljšanje generalizacije i skalabilnosti modela koji ga koriste. Planiramo da prevedemo eDERRITM u aplikaciju ugrađenu u EHR sistem koji će automatski generisati predviđanja rizika od ponovnog prijema za hospitalizovane pacijente sa dijabetesom.

Pored mogućnosti generalizacije skupa podataka zasnovanog na CDM-u, trenutna studija ima i druge značajne prednosti. Skup podataka je uzorkovan od pacijenata koji su bili hospitalizirani između 1.7.2010. i 31.12.2020., što je mnogo novije od skupova podataka koji se koriste za druge trenutno objavljene modele rizika od ponovnog prijema kod pacijenata sa dijabetesom. Također, za razliku od najčešće korištenog skupa podataka, koji je uključivao samo bolničke susrete s povezanom dijagnozom dijabetesa i dužinom boravka manjim od 15 dana, trenutni skup podataka uključivao je sve vrste susreta bez obzira na pridruženu dijagnozu, hvatajući i bolničke i ambulantne podatke. Konačno, veličina uzorka od 36.563 pacijenata sa 2.836.569 susreta pružila je dovoljno podataka za razvoj DL modela i provođenje eksperimenata sa do 100 prethodnih susreta.

Postoje neka ograničenja koja vrijedi priznati. Podaci su uzorkovani iz jednog urbanog, akademskog zdravstvenog sistema. Stoga je generalizacija modela na druge populacije nepoznata i zahtijeva testiranje. Nedostatak poštanskih brojeva pacijenata i bolnice onemogućava procjenu udaljenosti između pacijentovog kućnog poštanskog broja i bolnice, za koju se zna da je povezana s rizikom ponovnog prijema.8,11 Na kraju, ponovni prihvati u druge bolnice nisu zabilježeni.

Zaključak

Razvijen je i interno testiran LSTM model s vrlo dobrim performansama koji predviđa neplanirani, 30-dnevni ponovni prijem kod pacijenata sa dijabetesom. LSTM modeli nadmašuju tradicionalne modele u predviđanju ponovnog prijema u ovoj populaciji. Performanse LSTM modela u početku se povećavaju kako se broj prethodnih susreta povećava, a zatim pada na plato. Pažljivo odabrane laboratorijske karakteristike mogu dati prediktivne modele sa performansama jednakim modelima zasnovanim na svim dostupnim laboratorijskim studijama. Potrebna je dodatna studija za eksternu validaciju modela.

Priznanja

Ovo istraživanje je podržao Nacionalni zdravstveni institut (NIH) pod brojem granta R01DK122073.

Reference

1. Benbassat J, Taragin M. Ponovno primanje bolnica kao mjera kvaliteta zdravstvene zaštite: prednosti i ograničenja. Arhiv za internu medicinu. 2000;160:1074-1081.

2. Rubin DJ. Bolnički ponovni prijem pacijenata sa dijabetesom. Trenutni izvještaji o dijabetesu. 2015;15:1-9.

3. Ostling S, Wyckoff J, Ciarkowski SL, Pai CW, Choe HM, Bahl V, et al. Odnos između dijabetesmelitusa i 30-dnevnih stopa ponovnog prijema. Klinički dijabetes i endokrinologija. 2017;3:3.

4. Enomoto LM, Shrestha DP, Rosenthal MB, Hollenbeak CS, Gabbay RA. Faktori rizika povezani sa 30-dnevnim ponovnim prijemom i dužinom boravka kod pacijenata sa dijabetesom tipa 2. J Komplikacije dijabetesa. 2017;31:122-127.

5. AHRQ, Projekt troškova i korištenja zdravstvene zaštite (hcup) nacionalni bolnički uzorak (nis). , 2018.

6. ADA. Ekonomski troškovi dijabetesa u SAD-u 2017. Briga o dijabetesu. 2018;41:917-928.

7. Rubin DJ, Shah AA. Predviđanje i prevencija ponovne upotrebe akutne nege kod pacijenata sa dijabetesom. CurrentDiabetes Reports. 2021;21.

8. Rubin DJ, Handorf EA, Golden SH, Nelson DB, McDonnell ME, Zhao H. Razvoj i validacija novog alata za predviđanje rizika ponovnog prijema u bolnicu kod pacijenata sa dijabetesom. Endocr Pract. 2016;22:1204-1215.

9. Rubin DJ, Recco D, Turchin A, Zhao H, Golden SH. Eksterna validacija indikatora rizika od ranog ponovnog prijema dijabetesa (Terri ()). Endocr Pract. 2018;24:527-541.10. Alamer AA, Patanwala AE, Aldayyen AM, Fazel MT. Validacija i poređenje dva 30-modela predviđanja ponovnog prijema kod pacijenata sa dijabetesom. Endocr Pract. 2019;25:1151-1157.

For more information:1950477648nn@gmail.com