Microsoft Word – Deep Learning par rapport aux modèles traditionnels_Abdel Hai_Final.Partie 1

Abstrait

Un outil de prévision du risque de réadmission à l'hôpital pour les patients diabétiques, basé sur les données du dossier de santé électronique (DSE), est nécessaire.

Avec l'amélioration du niveau de vie de la population, le diabète est devenu une maladie chronique courante dans notre pays. Les personnes atteintes de diabète doivent prendre soin de leur corps et surveiller et ajuster constamment leur alimentation et leurs habitudes de vie pour garantir leur santé. Dans ces aspects, l'importance de la mémoire est également soulignée.

De nombreuses études ont confirmé que diabète et mémoire sont indissociables. Le diabète affecte le fonctionnement normal du cerveau, notamment la mémoire, l’apprentissage et les capacités cognitives. Il a été constaté que les patients diabétiques sont plus susceptibles que les gens ordinaires de souffrir d'un déclin de la mémoire, d'une capacité d'apprentissage réduite et d'une capacité de réaction affaiblie.

Cependant, nous ne devons pas abandonner. Le diabète peut être contrôlé efficacement ainsi que son impact sur notre corps grâce à des changements dans l’alimentation et le mode de vie.

Tout d’abord, la régulation alimentaire est très importante. Les personnes atteintes de diabète doivent limiter leur consommation de sodium (sel), de sucre et de graisses pour garantir un apport alimentaire équilibré. Un apport alimentaire équilibré est bénéfique pour la qualité du sommeil, la santé mentale, l'équilibre hormonal, le métabolisme et la prévention des éclipses partielles, ce qui peut tous contribuer à améliorer la mémoire et les capacités cognitives. Deuxièmement, ajoutez un peu d’exercice. Non seulement l’exercice aide à contrôler la glycémie, mais il peut également contribuer à améliorer la mémoire et les capacités cognitives en renforçant les muscles, en réduisant le stress et en éliminant la mauvaise humeur.

Enfin, un traitement approprié est nécessaire. Des niveaux de sucre dans le sang stables contribuent également à améliorer les capacités d’apprentissage et de mémoire du cerveau.

Bien que les personnes atteintes de diabète puissent être confrontées à divers problèmes tels que la perte de mémoire, cela ne devrait pas les empêcher de mener une vie saine et dynamique. Surveiller votre alimentation et votre mode de vie, faire de l'exercice et maintenir une humeur optimiste sont très efficaces pour les soins de santé. Cela peut également mieux protéger notre corps, notre mémoire et nos fonctions cognitives. Nous devons améliorer la mémoire, et la Cistanche deserticola peut améliorer considérablement la mémoire, car la Cistanche deserticola est une matière médicinale traditionnelle chinoise ayant de nombreux effets uniques, dont l'un est d'améliorer la mémoire. L’efficacité de la viande hachée vient des différents ingrédients actifs qu’elle contient, notamment des acides, des polysaccharides, des flavonoïdes, etc. Ces ingrédients peuvent favoriser la santé cérébrale de diverses manières.

Cliquez sur connaître 10 façons d'améliorer la mémoire

L’approche de modélisation optimale n’est cependant pas claire. Au cours de 2 836 569 rencontres avec 36 641 patients diabétiques, des modèles d’apprentissage profond (DL) à mémoire à long et à court terme (LSTM) prédisant une réadmission non planifiée, toutes causes confondues, 30-jours ont été développés et comparés à plusieurs modèles traditionnels. Les modèles utilisaient des données DSE définies par un Common DataModel.

La zone du modèle LSTM sous la courbe caractéristique de fonctionnement du récepteur (AUROC) était significativement supérieure à celle du deuxième meilleur modèle traditionnel [LSTM {{0}},79 vs Random Forest (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. 

Un modèle LSTM avec 16 tests de laboratoire sélectionnés a donné des performances équivalentes à un modèle avec les 981 tests de laboratoire. Ce nouveau modèle DL pourrait servir de base à un outil de prévision du risque de réadmission plus utile pour les patients diabétiques.

Introduction

La réadmission à l'hôpital est un résultat indésirable et coûteux à la fois pour les patients et les hôpitaux.1 Les patients diabétiques courent un risque plus élevé de réadmission dans les 30 jours suivant leur sortie de l'hôpital (30- jours de réadmission) que les patients non diabétiques.

2-4 Sur les près de 9 millions de sorties de patients diabétiques chaque année aux États-Unis5, près de 2 millions sont des réadmissions de 30-jours, ce qui correspond à au moins 20 milliards de dollars de coûts hospitaliers.

6, 7 L'identification des patients diabétiques à risque plus élevé permettrait de cibler les interventions sur ceux qui en ont le plus besoin, optimisant ainsi le rapport coût-bénéfice.

Nous avons précédemment publié le développement et la validation de l'indicateur de risque de réadmission précoce pour le diabète (DERRITM), un modèle de régression logistique (LR) qui prédit le risque de réadmission toutes causes confondues 30-jour chez les patients diabétiques.

8 Le DERRITM a été conçu pour être utilisé sur le lieu d'intervention sur la base de la saisie par l'utilisateur de 10 facteurs. Lors de la validation interne par échantillon fractionné, les performances étaient modestes (aire sous la courbe caractéristique de fonctionnement du récepteur, AUROC 0,69).

Dans les études de validation externes, le DERRITM AUROC était de {{0}},63 et 0,80.9, 10. En plus des performances prédictives variables, l'application du DERRITM nécessite une collecte et une saisie manuelles des données, qui constituent des obstacles majeurs à son utilisation dans pratique clinique.

Dans d'autres travaux publiés, nous avons montré que l'ajout de variables au DERRITM améliore considérablement la précision prédictive d'un AUROC de 0.82.11 Ce modèle étendu (DERRIplus), cependant, n'est pas réalisable pour une utilisation au point de service et inclut le statut d'emploi, qui n’est pas systématiquement documenté dans les dossiers de santé électroniques (DSE).

Par conséquent, ce modèle ne peut pas être directement traduit en un outil automatisé intégré au DSE. Il existe un besoin non satisfait d’un outil de prévision du risque de réadmission pour les patients diabétiques qui soit à la fois précis et facile à utiliser.

Au cours des dernières années, plusieurs modèles d'apprentissage automatique (ML) permettant de prédire le risque de réadmission de {{0}} jours chez les patients diabétiques ont été publiés. Plusieurs approches traditionnelles de modélisation de ML ont été explorées, notamment la forêt aléatoire (RF), le k-voisin le plus proche, le Bayes naïf, la machine à vecteurs de support (SVM), AdaBoost et le perceptron multicouche (MLP), avec une large gamme de performances (AUROC {{5 }}.53-0.99, précision 0.54-0.99).

{{0}} Des modèles Deeplearning (DL) ont également été développés pour prédire le risque de réadmission des patients diabétiques, également avec des performances variables (AUROC 0.61-0.97, précision 0.{{ 5}}.95), dont aucun ne dépassait celui des meilleurs modèles de ML traditionnels.23-27 Deux de ces études ont démontré un net avantage des approches DL par rapport aux modèles de ML traditionnels,23, 24, et deux études ont trouvé un avantage marginal avec DL approche.

25, 27 Les comparaisons des performances des modèles dans toutes ces études sont toutefois limitées par le manque de reporting standardisé sur les caractéristiques de performance et les approches variables des tests.

Par conséquent, il reste difficile de savoir si les modèles DL surpassent les modèles ML traditionnels pour prédire le risque de réadmission des patients diabétiques.

Il est intéressant de noter que tous ces modèles antérieurs ont été développés sur le même ensemble de données28, à l’exception de DERRITM et DERRIplus. Cet ensemble de données accessible au public contient des consultations hospitalières avec un diagnostic de diabète et une durée de séjour comprise entre 1 et 14 jours dans l'un des 130 hôpitaux américains entre 1999 et 2008.

Seuls 3 codes de diagnostic de la Classification internationale des maladies, neuvième révision (ICD-9) par rencontre, et seulement 2 valeurs de laboratoire (glycémie et HbA1c) ont été enregistrées.

Enfin, aucune distinction n'est faite entre les réadmissions planifiées et non planifiées. Ainsi, même le meilleur de ces modèles pourrait ne pas fonctionner aussi bien chez les patients d’aujourd’hui. Des modèles plus actuels et généralisables sont nécessaires.

Par conséquent, pour combler ces lacunes, les objectifs de la présente étude étaient les suivants : 1) Développer des modèles DL pour la prévision des réadmissions imprévues, toutes causes confondues, 30-jour, 2) Comparer les performances des modèles DL à modèles ML traditionnels, 3)

Explorer les performances du modèle sur une gamme de rencontres DSE antérieures de 1 à 100 incluses dans le développement du modèle, et 4) Comparer un modèle DL développé à l'aide d'un sous-ensemble de tests de laboratoire sélectionnés par domainknowledge avec un modèle DL développé à l'aide de tous les tests de laboratoire disponibles.

Tous les modèles ont été développés et testés dans un ensemble de données de 2 836 569 rencontres de 36 641 patients diabétiques en utilisant les données démographiques, les signes vitaux, les codes de diagnostic et de procédure, les médicaments, les tests de laboratoire et les données administratives telles que définies par le modèle de données commun du National Patient-CenteredClinical Research Network (PCORnet). (MDP).29

Matériels et méthodes

Définition de la cohorte de patients

Les critères d'inclusion étaient les patients ayant reçu au moins une sortie de l'un des trois hôpitaux du Temple University Health System à Philadelphie, en Pennsylvanie, entre le 1er juillet 2010 et le 31 décembre 2020, et un diabète défini par au moins l'un des éléments suivants : un diagnostic de diabète ( ICD-9 : 249. xx ou 250. xx ou ICD-10 : E08.xxx à E13.xxx ); aTaux d'hémoglobine A1c (HbA1c) supérieur ou égal à 6,5 %, ou une commande d'un médicament spécifique au diabète.

Les rencontres ont été exclues pour les patients âgés<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).

Les patients ont été répartis dans l'un des deux groupes selon leur statut de réadmission : ceux qui ont eu au moins un jour de réadmission 30- et ceux qui n'en ont pas eu. Parmi les patients ayant subi une réadmission, une paire admission-réadmission a été sélectionnée au hasard pour analyse. Parmi les patients n’ayant pas eu de réadmission, une admission a été sélectionnée au hasard pour analyse.

Définition des variables et prétraitement des données

Des tableaux ont été extraits du MDP pour chacun des domaines suivants : rencontres, données démographiques, diagnostics, tests de laboratoire, ordonnances de médicaments, procédures et signes vitaux. Étant donné que les caractéristiques d'une rencontre donnée existaient dans plusieurs tables, les tables étaient fusionnées par un identifiant unique. La fusion des tables extraites a abouti à un échantillon contenant tous les enregistrements pour une rencontre donnée.

Cela a entraîné des disparitions importantes. Ainsi, l’absence a été utilisée comme une caractéristique distincte. Pour les fonctionnalités continues, les données manquantes ont été remplacées par 0, tandis que les fonctionnalités catégorielles ont été remplacées par une catégorie unique.

Au total, 23 caractéristiques ont été utilisées comme entrée dans les modèles : 14 ont été extraites du MDP et 9 ont été agrégées. Les caractéristiques extraites étaient : 1) Type de rencontre (patient hospitalisé, service d'urgence, séjour d'observation, visite ambulatoire, autre visite ambulatoire, télésanté et Autre ; 2) Statut de sortie (établissement de vie assistée, contre avis médical, expiré, soins à domicile, soins à domicile/auto-soins, soins palliatifs, maison de retraite, établissement de réadaptation, établissement de soins infirmiers qualifiés ; 3) sexe ; 4) Hispanique ; 5) Race (Indien d'Amérique/Autochtone de l'Alaska, Asiatique, Noir, Insulaire du Pacifique, Blanc, autre/aucune information) ; 6) Tabac (utilisateur actuel, jamais utilisateur, ancien utilisateur, exposition passive, autre/aucune information) ; 7) âge ; 8)

Codes du système de classification clinique des diagnostics (CCS) ;29 9) Codes CCS de la procédure ;29 10) Résultats de laboratoire ; 11) Commandes de médicaments dans l'année précédant chaque rencontre ; 12) Pression artérielle diastolique ; 13) Pression artérielle systolique ; et14) Indice de masse corporelle (IMC).

Les caractéristiques agrégées étaient : 1) Conditions Elixhauser : une caractéristique binaire indiquant la présence ou l'absence de chaque condition ; 30 2) Durée d'admission (durée du séjour en jours) ; 3) plusieurs codes de procédure avant conversion en code CCS ; 4) plusieurs codes de diagnostic avant conversion en code CCS ; 5) nombre de jours depuis la rencontre précédente, quel que soit le type de rencontre ; 6) plusieurs jours depuis la précédente rencontre avec un patient hospitalisé, en observation ou aux urgences ; 7) plusieurs jours depuis la rencontre précédente avec d'autres types de rencontres (non hospitalières) ; 8) plusieurs rencontres avec des patients hospitalisés, en observation et aux urgences avant la rencontre en cours ; et 9) plusieurs autres rencontres (non hospitalières) avant la rencontre actuelle.

Les codes ICD-9 ont été convertis en codes ICD-10 pour unifier le format du code. Les codes ICD-10 et les codes de procédure ont été convertis en codes CCS. Sur la base des connaissances du domaine, les médicaments pertinents pour le diabète ont été classés comme suit : médicaments contre le diabète par classe, cholestérol, corticostéroïdes, agents de tension artérielle du système rénine-angiotensine (SRAA) et agents de tension artérielle non RAS. Les autres médicaments ont été ignorés.

Les fonctionnalités jugées peu fiables, pour la plupart manquantes ou corrélées ont été supprimées. Les caractéristiques aberrantes telles que les dates, les résultats, la taille, le poids, l'IMC et la pression artérielle (systolique et diastolique) ont été supprimées en observant les distributions de données, les percentiles et les connaissances du domaine. Les valeurs manquantes ont été traitées comme une autre catégorie indiquant qu'un paramètre n'a pas été collecté concernant la rencontre.

Le principal critère de jugement pour la prédiction du modèle(�) était la réadmission non planifiée d’un patient hospitalisé, toutes causes confondues, dans les 30 jours suivant la sortie d’un patient hospitalisé, telle que définie par les Centers for Medicare & Medicaid Services (CMS).31 Sur la base de la définition du CMS, seule la première réadmission dans les 30 jours ont été analysés.

For more information:1950477648nn@gmail.com