Microsoft Word – Hluboké učení versus tradiční modely_Abdel Hai_Final.Part 3

V této studii byly provedeny rozsáhlé experimenty, aby se zjistilo, kolik předchozích setkání je optimálních k předpovědi readmise.

Jak se tempo života zrychluje, jsme každý den vystaveni velkému množství informací a musíme si udržovat určité množství paměti, abychom tyto informace lépe absorbovali a využili. Mnoho lidí může mít pocit, že jejich paměť není dostatečně silná, ale díky rozsáhlému experimentálnímu výzkumu můžeme zjistit, že paměť lze trénovat a zlepšovat.

První související experiment se zabýval účinky jógy na zlepšení paměti. Experiment provedený na Kalifornské univerzitě v San Franciscu ukázal, že cvičení jógy zvýšilo šedou hmotu v mozku a zlepšilo krátkodobou i dlouhodobou paměť studentů. Jóga má totiž velmi dobrý zdravotní účinek na fyzické a duševní zdraví lidí, dokáže zmírnit stres a úzkost, a tím zlepšit paměť lidí.

Druhý experiment zkoumal vztah mezi spánkem a pamětí. Vědci zjistili, že dostatek spánku prospívá lidské paměti. Spánek může podporovat přenos informací mezi mozkovými buňkami, napomáhá konsolidaci vzpomínek a zlepšuje dlouhodobou kapacitu paměti.

Třetím experimentem je použití matematických her ke zlepšení schopnosti studentů počítat a paměti. V experimentu provedeném na Hongkongské univerzitě vědci požádali studenty, aby prováděli jednoduché matematické činnosti, které by stimulovaly jejich mozkovou aktivitu. Výsledky ukázaly, že po absolvování školení se zlepšila schopnost studentů počítat a paměť. To ukazuje, že vhodným tréninkem a stimulací lze funkci mozku komplexně zlepšit.

Prostřednictvím výše uvedených experimentů víme, že paměť lze trénovat a zlepšovat a nemusíte se příliš bát, že by vaše paměť nebyla dost dobrá. Můžeme účinně zlepšit svou paměť a lépe se vyrovnat s výzvami moderního života prováděním vhodných cvičení, jako jsou cvičení jógy, dostatečný spánek a různé hry. Je vidět, že potřebujeme zlepšit paměť a Cistanche deserticola může výrazně zlepšit paměť, protože Cistanche deserticola je tradiční čínský léčivý materiál, který má mnoho jedinečných účinků, jedním z nich je zlepšení paměti. Účinnost mletého masa vychází z různých účinných látek, které obsahuje, včetně kyselin, polysacharidů, flavonoidů atd. Tyto složky mohou různými způsoby podporovat zdraví mozku.

Klikněte na 10 způsobů, jak zlepšit paměť

Experimenty jsme provedli s uvážením � setkání během předchozích 2 let, kde � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100}. Průměrný počet setkání na pacienta v tomto období byl 21 a 90. percentil byl 56.

Rozdíl v počtu setkání vedl k nesjednocené délce příznakových vektorů. V experimentu, který bere v úvahu až 60 setkání, byly tedy vektory znaků bez dat doplněny nulami, aby bylo zajištěno, že vektory znaků pro všechny pacienty představují 60 setkání.

Tato studie předpokládala, že modely DL překonávají tradiční modely ve velkém benchmarku, a proto byla provedena srovnávací analýza s různými hodnotícími metrikami, aby bylo možné vyhodnotit a porovnat algoritmy DL se základními tradičními modely.

Kromě toho, abychom prozkoumali důležitost znalostí domény, trénovali jsme a testovali jsme modely na datech se všemi laboratorními studiemi zahrnutými v datové sadě EHR a porovnali jsme je s modely trénovanými a testovanými s podskupinou laboratorních studií založených na předchozích dokumentech, které hlásily spojení s readmisí (sérový albumin, aniont mezera, arteriální pH, bilirubin, dusík močoviny v krvi, oxid uhličitý, sérový kreatinin, krevní glukóza, hematokrit, laktát, PaCO2, PaO2, sodík v séru, troponin-I, pH žil a počet bílých krvinek).11, 34 podmnožina laboratorních studií může být přínosná snížením rozměrů.

Pacienti byli náhodně rozděleni do 3 nepřekrývajících se podskupin, kde 70 % bylo použito pro trénink, 10 % pro validaci a 20 % pro testování. Použili jsme techniky křížové validace, abychom našli hyperparametry, které poskytují nejlepší výkon.

U LSTM a GRU jsme měnili počet neuronů, výpadky, velikost dávky a počet epoch pomocí vyhledávání v mřížce. Podle literatury se v provedených experimentech procento odpadlíků pohybovalo od 0 do 50 a počet neuronů se pohyboval od 32 do 512.

Vybrali jsme výpadek 0.1, 128 neuronů, velikost dávky 512 a 16 epoch pro LSTM a 12 epoch pro GRU, protože obousměrné GRU konverguje rychleji než 1-cesta LSTM. Funkce aktivace sigmoid a Adamova optimalizátora. Tradiční modely byly také doladěny a byly vybrány hyperparametry, které podávaly nejlepší výkony.

Výkonnostní metriky a analýzy

Výkon metod použitých v naší studii byl hodnocen pomocí pěti běžných metrik: Area Under the Receiver Operating Characteristic Curve (AUROC), Recall (také známé jako Sensitivity), Specificity, F{0}}score a Accuracy. Formální definice těchto hodnotících metrik jsou běžné a lze je snadno nalézt.34

Pro vyhodnocení stability a významnosti výkonu navrženého modelu byla provedena analýza statistické významnosti.Náhodně jsme vybrali různé pacienty pro trénink a testování a náhodný výběr jsme 10krát opakovali, abychom vytvořili průměrná měření výkonu a 95% intervaly spolehlivosti.

LSTM byl porovnán s nejvýkonnějším tradičním modelem (RF) pomocí t-testu. P-hodnota<0.05 was considered statistically significant. The Temple University Institutional Review Board approved the protocol.

Výsledek

Celkem bylo analyzováno 36 641 pacientů s 2 836 569 setkáními. Bylo 9 130 pacientů s alespoň jednou readmisí a 27 511 bez readmise. Vliv počtu setkání za předchozí 2 roky byl vyhodnocen u pěti predikčních modelů, kde � setkání byla uvažována pro každý model, a experimenty byly opakovány pro � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100} .

Obrázek 2 představuje AUROC navrhovaného modelu, LSTM, oproti tradičním modelům napříč různými počty setkání. Obousměrná GRU byla také provedena, ale byla vynechána, protože dosáhla identického AUROC až LSTM. LSTM překonal tradiční modely ve velkém měřítku ve všech experimentech s různým počtem setkání.

V průměru dosáhly modely LSTM zvýšení AUROC o {{0}}.06 ve srovnání s nejvýkonnějšími tradičními modely, RF. Experimenty ukazují, že predikce readmise na základě jediného předchozího setkání není dostatečná a přinesla mnohem nižší výkon (0,7 při použití modelů DL a 0,68 při použití tradičního modelu s nejlepším výkonem).

DLmodels dosáhly plató, když byly trénovány pomocí dat ze 30setkání s minimálním zlepšením poté. Algoritmus DL přinesl zvýšení AUROC o 0,07 oproti nejvýkonnějšímu tradičnímu modelu RF při použití optimálního počtu setkání, 80.

Tabulka 1 ukazuje výkon LSTM a tradičních modelů s použitím všech laboratorních testů až na 80 nejnovějších počítačích za poslední 2 roky. Celkově byly intervaly spolehlivosti velmi malé (<0.02), indicating a high degree of precision around the means. 

Navrhovaná metoda, LSTM, získala průměrnou hodnotu AUROC {{0}},79 s 95% CI 0,001. p-hodnota získaná porovnáním LSTM AUROC s druhým nejvýkonnějším modelem (RF) byla<0.0001, hence, LSTM performance was significantly greater than the traditional models.

Modely LSTM dosáhly Recall/Sensitivity 0,81, což naznačuje, že výkon byl poměrně silný při předpovídání skutečných pozitivních výsledků (tj. správné klasifikaci pacientů s readmisí).

Všechny modely použité v naší studii dosáhly velmi dobré specifičnosti (tj. skutečné negativní míry). Trénované modely tedy fungovaly dobře při predikci pacientů, kteří pravděpodobně nebudou znovu přijati. LSTM dosáhl skóre F{{0}} 0,80, což ukazuje na velmi dobrou schopnost rozlišovat mezi pacienty, kteří budou nebo nebudou znovu přijati.

Abychom určili, zda je znalost domény o laboratorních studiích užitečná, provedli jsme dva různé experimenty, kde jsme model cvičili a testovali na základě podmnožiny 16 jedinečných laboratorních studií vybraných podle znalostí domény oproti použití všech 981 jedinečných laboratorních studií zahrnutých v datech.

Byly použity a modifikovány techniky One Hot kódování, aby se laboratorní výsledek spojil s každým laboratorním kódem. Byla vytvořena dlouhá unikátní řada laboratorních kódů������_���_�����. Pro každé setkání bylo vytvořeno pole nul � stejné délky jako ������_���_�����. �sestávala z výsledku při stejném indexu každého laboratorního testu v������_���_�������, aby byl výsledek přiřazen k danému laboratornímu kódu. Setkání bez laboratorních výsledků by mělo � nul, což znamená, že pro dané setkání nebyl proveden žádný laboratorní test.

Protože většina setkání obsahovala<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).

Diskuse

V této retrospektivní kohortě 36 563 pacientů s diabetem modely DL překonaly modely RF, MLP, AdaBoost a LR v predikci neplánovaného 30-denního readmise ze všech příčin. Optimální model LSTM poskytl AUROC 0,79 a přesnost 0,81, což ukazuje na velmi dobrý výkon. Experimenty navržené k odhalení vztahu mezi počtem předchozích setkání a výkonností modelu ukazují, že AUROC modelů LSTM se zvyšoval se zvyšujícím se počtem setkání a stagnoval při 30 setkáních. Výkon tradičních modelů se zvýšil v menší míře až na počet předchozích setkání 15 nebo 30, poté buď stagnoval (RF) nebo klesal (MLP, AdaBoost, LR), jak se počet setkání zvýšil. Nakonec model LSTM, který zahrnoval sadu 16 laboratorních testů vybraných na základě znalostí domény, poskytl ekvivalentní výkon jako model LSTM, který zahrnoval všechny dostupné laboratorní testy.

V naší studii si DL modely vedly lépe než tradiční modely. Jsme si vědomi 4 studií, které porovnávaly DL modely s tradičními modely pro predikci rizika opětovného přijetí pacientů s diabetem. Dvě z těchto studií prokázaly jasnou výhodu DL přístupů oproti tradičním ML modelům,23,24 zatímco dvě studie zjistily marginální přínos s DL přístupy.25,27 Výkon těchto DL modelů se u AUROC 0 měnil.61-0 0,97 a přesnost 0.69-0,95, z nichž žádný nepřekonal nejlepší tradiční modely ML, které hlásily hodnotu AUROC až 0,99 a přesnost {{13} }.99.23,27 Srovnání výkonnosti modelu ve všech těchto studiích je však omezeno nedostatkem standardizovaných zpráv o výkonnostních charakteristikách a proměnných přístupů k testování. Naše studie zvažovaná s předchozími studiemi, které přímo porovnávaly DL s tradičními modely ML, naznačuje, že přístupy DL obvykle dávají v této populaci lepší výkon.

Nevíme o jiných pracích, které by zkoumaly vztah mezi počtem předchozích setkání a výkonností modelu rizika readmise u pacientů s diabetem. V související práci však jedna práce zkoumala, jak se měnila výkonnost modelů pro predikci rizika opětovného přijetí u morbidně obézních pacientů, když se počet hospitalizací zvýšil z minima 2 na 5,35 AUROC se zvýšil ze 2 na 3 hospitalizace a poté ustálil. V další široce související studii jsme zjistili, že výkon modelů LR pro predikci rizika opětovného přijetí pacientů s diabetem měl tendenci se zvyšovat, když se velikost vzorku zvětšovala z 2,000 až na 6,000, pak se ustálila .36 Tento soubor výzkumů naznačuje, že experimentování s řadou čísel setkání a velikostí vzorků může odhalit prahové hodnoty, které by mohly optimalizovat analýzu dat a vyvážit kvantitu informací a dimenzionalitu.

Nejsou nám známy ani další studie, které porovnávaly modely rizika opětovného přijetí pomocí laboratorních dat vybraných na základě znalostí domény se všemi laboratorními údaji dostupnými u pacientů s diabetem. Existuje kompromis mezi zahrnutím všech laboratorních dat, což má za následek vyšší dimenzionalitu a výpočetně nákladnější modely, a zapojením doménového experta k výběru podmnožiny laboratorních dat, což může být nákladné a méně proveditelné. Stejně jako počet předchozích setkání, po jejichž překročení se výkonnost modelu nezlepšila, i zjištění, že výkonnost modelu s podmnožinou laboratorních dat byla ekvivalentní modelu se všemi laboratorními daty, naznačuje, že pro tuto doménu existuje podobné plató. Mělo by být prozkoumáno, zda se tento jev zobecňuje i na jiné populace pacientů.

Prezentované modely LSTM, které nazýváme eDERRITM, jsou rozšířením našich předchozích modelů, DERRITM a DERRIplus.8,11 Pokud jde o AUROC, model eDERRITM si vedl lépe než DERRITM, ale horší než DERRIplus. Výkon těchto 3 modelů bohužel nelze v aktuální studii přímo porovnat, protože datová sada nezahrnuje PSČ, stav zaměstnání ani informace o plátcích. Na rozdíl od modelů DERRITM a DERRIplus jsou modely eDERRITM vyvíjeny s obecně dostupnými údaji EHR, jako jsou demografické údaje, vitální funkce, diagnostické a procedurální kódy, léky, laboratorní testy a administrativní údaje, jak je definováno v CDM PCORnet.29 CDM standardizuje abstrakci dat EHR, zvýšení zobecnitelnosti a škálovatelnosti modelů, které ji využívají. Plánujeme převést eDERRITM do aplikace zabudované do systému EHR, která bude automaticky generovat předpovědi rizika opětovného přijetí pro hospitalizované pacienty s diabetem.

Kromě zobecnitelnosti datového souboru založeného na CDM má současná studie další pozoruhodné silné stránky. Soubor dat je odebírán od pacientů s hospitalizací mezi 1. 7. 2010 a 31. 12. 2020, což je mnohem novější data než soubory dat používané pro jiné aktuálně publikované modely rizika readmise u pacientů s diabetem. Také na rozdíl od nejpoužívanějšího souboru dat, který zahrnoval pouze nemocniční setkání s přidruženou diagnózou diabetu a délkou pobytu kratší než 15 dní, aktuální datový soubor zahrnoval všechny typy setkání bez ohledu na přidruženou diagnózu a zachycoval jak hospitalizovaná, tak ambulantní data. A konečně, velikost vzorku 36 563 pacientů s 2 836 569 setkáními poskytla dostatek dat pro vývoj modelů DL a provádění experimentů až se 100 předchozími setkáními.

Existují určitá omezení, která stojí za to uznat. Data byla odebrána z jediného městského akademického zdravotnického systému. Zobecnitelnost modelů na jiné populace je proto neznámá a vyžaduje testování. Nedostatek PSČ pacienta i nemocnice znemožňuje odhadnout vzdálenost mezi domovským PSČ pacienta a nemocnicí, o čemž je známo, že je spojeno s rizikem opětovného přijetí.8,11 A konečně, zpětné převozy do jiných nemocnic nebyly zachyceny.

Závěr

Byl vyvinut a interně testován model LSTM s velmi dobrým výkonem, který předpovídá neplánované 30-denní zpětné přijímání pacientů s diabetem ze všech příčin. LSTM modely předčí tradiční modely v predikci readmise v této populaci. Výkon modelu LSTM se zpočátku zvyšuje se zvyšujícím se počtem předchozích setkání a poté klesá. Pečlivě vybrané laboratorní funkce mohou poskytnout prediktivní modely s výkonem rovnocenným modelům založeným na všech dostupných laboratorních studiích. K externímu ověření modelu je zapotřebí další studie.

Poděkování

Tento výzkum byl podpořen Národním zdravotním ústavem (NIH) pod grantovým číslem R01DK122073.

Reference

1. Benbassat J, Taragin M. Opakované přijetí do nemocnice jako měřítko kvality zdravotní péče: Výhody a omezení. Archiv vnitřního lékařství. 2000;160:1074-1081.

2. Rubin DJ. Hospitalizace pacientů s diabetem. Aktuální zprávy o diabetu. 2015;15:1-9.

3. Ostling S, Wyckoff J, Ciarkowski SL, Pai CW, Choe HM, Bahl V, et al. Vztah mezi diabetesmellitus a 30-denní mírou zpětného přijetí. Klinický diabetes a endokrinologie. 2017; 3:3.

4. Enomoto LM, Shrestha DP, Rosenthal MB, Hollenbeak CS, Gabbay RA. Rizikové faktory spojené s 30-denním zpětným přijetím a délkou pobytu u pacientů s diabetem 2. typu. J Komplikace diabetu. 2017; 31:122-127.

5. AHRQ, projekt nákladů a využití zdravotní péče (hcup) národní vzorek hospitalizovaných pacientů (nis). , 2018.

6. ADA. Ekonomické náklady na diabetes v USA v roce 2017. Diabetes Care. 2018; 41:917-928.

7. Rubin DJ, Shah AA. Predikce a prevence opětovného využití akutní péče u pacientů s diabetem. Aktuální zprávy o diabetu. 2021;21.

8. Rubin DJ, Handorf EA, Golden SH, Nelson DB, McDonnell ME, Zhao H. Vývoj a validace nového nástroje pro predikci rizika opětovného přijetí do nemocnice u pacientů s diabetem. Endocr Pract. 2016; 22:1204-1215.

9. Rubin DJ, Recco D, Turchin A, Zhao H, Golden SH. Externí validace indikátoru časného rizika opětovného přijetí diabetu (Terri ()). Endocr Pract. 2018;24:527-541.10. Alamer AA, Patanwala AE, Aldayyen AM, Fazel MT. Validace a srovnání dvou 30-denních předpovědních modelů zpětného přijetí u pacientů s diabetem. Endocr Pract. 2019; 25:1151-1157.

For more information:1950477648nn@gmail.com