Microsoft Word - 딥 러닝과 기존 모델 비교_Abdel Hai_최종.1부
Jan 03, 2024
추상적인
전자건강기록(EHR) 데이터를 기반으로 한 당뇨병 환자의 병원 재입원 위험 예측 도구가 필요합니다.
국민생활수준이 향상됨에 따라 당뇨병은 우리나라의 흔한 만성질환으로 자리 잡았습니다. 당뇨병 환자는 자신의 몸을 잘 관리하고 건강을 유지하기 위해 식습관과 생활 습관을 지속적으로 모니터링하고 조정해야 합니다. 이러한 측면에서도 기억의 중요성이 강조됩니다.
많은 연구에서 당뇨병과 기억력은 분리될 수 없다는 것이 확인되었습니다. 당뇨병은 뇌의 정상적인 기능, 특히 기억력, 학습 및 인지 능력에 영향을 미칩니다. 당뇨병 환자는 일반인에 비해 기억력 감퇴, 학습 능력 저하, 반응 능력 약화 등의 증상을 겪을 가능성이 더 높은 것으로 나타났다.
그러나 우리는 포기해서는 안 됩니다. 당뇨병은 식이 요법과 생활 방식의 변화를 통해 효과적으로 통제될 수 있으며 당뇨병이 우리 몸에 미치는 영향도 있습니다.
우선 식습관 조절이 매우 중요합니다. 당뇨병 환자는 균형 잡힌 음식 섭취를 위해 나트륨(소금), 설탕, 지방 섭취를 제한해야 합니다. 균형 잡힌 식사 섭취는 신체의 수면의 질, 정신 건강, 호르몬 균형, 신진대사, 부분 일식 예방에 도움이 되며, 이 모든 것이 기억력과 인지 능력을 향상시키는 데 도움이 될 수 있습니다. 둘째, 운동을 추가하십시오. 운동은 혈당 수치를 조절하는 데 도움이 될 뿐만 아니라 근육을 강화하고 스트레스를 줄이며 나쁜 기분을 없애 기억력과 인지 능력을 향상시키는 데도 도움이 됩니다.
마지막으로 적절한 치료가 필요합니다. 안정적인 혈당 수치는 또한 뇌의 학습 및 기억 능력을 향상시키는 데 도움이 됩니다.
당뇨병 환자는 기억 상실 등 다양한 문제에 직면할 수 있지만, 이것이 당뇨병 환자가 건강하고 활기찬 삶을 살아가는 데 방해가 되어서는 안 됩니다. 식습관과 생활 방식을 모니터링하고, 약간의 운동을 하고, 낙관적인 기분을 유지하는 것은 건강 관리에 매우 효과적입니다. 또한 우리 몸, 기억, 인지를 더 잘 보호할 수 있습니다. 우리는 기억력을 향상시켜야 하는데, 시스탄체 데저티콜라는 기억력 향상이라는 독특한 효능이 많은 중국 전통 약재이기 때문에 기억력을 크게 향상시킬 수 있습니다. 다진 고기의 효능은 산, 다당류, 플라보노이드 등 포함된 다양한 활성 성분에서 비롯됩니다. 이러한 성분은 다양한 방식으로 뇌 건강을 증진할 수 있습니다.
그러나 최적의 모델링 접근 방식은 불분명합니다. 36,641명의 당뇨병 환자와의 2,836,569건의 만남에서 계획되지 않은 모든 원인의 30-일 재입원을 예측하는 딥 러닝(DL) 장단기 기억(LSTM) 모델이 개발되어 여러 기존 모델과 비교되었습니다. 모델은 Common DataModel에 의해 정의된 EHR 데이터를 사용했습니다.
LSTM 모델 AUROC(Receiver Operating Characteristic Curve) 아래 영역은 다음으로 우수한 기존 모델 [LSTM {{0}}.79 vs Random Forest(RF) 0.72, p보다 훨씬 더 컸습니다.<0.0001]. Experiments showed that the performance of the LSTM models increased as the prior encounter number increased up to 30 encounters.
16개의 선택된 실험실 테스트가 포함된 LSTM 모델은 981개의 실험실 테스트가 모두 포함된 모델과 동일한 성능을 나타냈습니다. 이 새로운 DL 모델은 당뇨병 환자를 위한 보다 유용한 재입원 위험 예측 도구의 기초를 제공할 수 있습니다.
소개
병원 재입원은 환자와 병원 모두에게 바람직하지 않고 비용이 많이 드는 결과입니다.1 당뇨병 환자는 당뇨병이 없는 환자에 비해 퇴원 후 30일(30-재입원일) 이내에 재입원할 위험이 더 높습니다.
2-4 미국에서 매년 약 900만 명의 당뇨병 환자가 퇴원하고5 약 200만 명이 30-당일 재입원하며 이는 병원 비용으로 최소 200억 달러에 해당합니다.
6, 7 당뇨병이 있는 고위험 환자를 식별하면 가장 필요한 환자에게 개입을 목표로 삼아 비용 편익 비율을 최적화할 수 있습니다.
우리는 이전에 당뇨병 환자의 모든 원인에 따른 30-일 재입원 위험을 예측하는 로지스틱 회귀(LR) 모델인 당뇨병 조기 재입원 위험 지표(DERRITM)의 개발 및 검증을 발표했습니다.
8 DERRITM은 10 요소의 사용자 입력을 기반으로 현장 진료에 사용하도록 설계되었습니다. 분할 샘플 내부 검증에서 성능은 보통 수준이었습니다(수신기 작동 특성 곡선 아래 영역, AUROC 0.69).
외부 검증 연구에서 DERRITM AUROC는 {{0}}.63 및 0.80.9, 10이었습니다. 변수 예측 성능 외에도 DERRITM을 적용하려면 수동 데이터 수집 및 입력이 필요합니다. 이는 다음에서 사용하는 데 주요 장벽입니다. 임상 실습.
다른 출판된 연구에서 우리는 DERRITM에 변수를 추가하면 0의 AUROC에 대한 예측 정확도가 실질적으로 향상된다는 것을 보여주었습니다.82.11 그러나 이 확장 모델(DERRIplus)은 치료 시점에서 사용하기에는 적합하지 않으며 고용 상태, 이는 전자 건강 기록(EHR)에 정기적으로 기록되지 않습니다.
따라서 이 모델은 자동화된 EHR 통합 도구로 직접 변환될 수 없습니다. 정확하고 사용하기 쉬운 당뇨병 환자를 위한 재입원 위험 예측 도구에 대한 충족되지 않은 요구가 있습니다.
지난 몇 년 동안 당뇨병 환자의 {{0}}일 재입원 위험을 예측하기 위한 여러 기계 학습(ML) 모델이 발표되었습니다. 다양한 범위의 성능(AUROC }}.53-0.99, 정확도 0.54-0.99).
{{0}} 당뇨병 환자의 재입원 위험을 예측하기 위한 딥러닝(DL) 모델도 개발되었으며 성능은 가변적입니다(AUROC 0.61-0.97, 정확도 0.{{ 5}}.95), 그 중 최고의 기존 ML 모델을 초과하는 것은 없습니다.23-27 이 연구 중 2개는 기존 ML 모델에 비해 DL 접근 방식의 분명한 이점을 보여주었고,23, 24, 2개 연구에서는 다음과 같은 한계 이점을 발견했습니다. DL 접근 방식.
25, 27 그러나 모든 연구에 걸쳐 모델 성능을 비교하는 것은 성능 특성에 대한 표준화된 보고와 테스트에 대한 가변적인 접근 방식이 부족하기 때문에 제한됩니다.
따라서 DL 모델이 당뇨병 환자의 재입원 위험을 예측하는 데 있어 기존 ML 모델보다 성능이 뛰어난지는 불분명합니다.
흥미롭게도 이러한 모든 이전 모델은 DERRITM 및 DERRIplus를 제외하고 동일한 데이터세트에서 개발되었습니다. 공개적으로 사용 가능한 이 데이터세트에는 1999년부터 2008년까지 미국 130개 병원 중 한 곳에서 당뇨병 진단을 받고 1~14일 동안 입원한 병원 기록이 포함되어 있습니다.
발생당 3개의 국제질병분류 9차 개정(ICD-9) 진단 코드와 2개의 실험실 값(혈당 및 HbA1c)만 기록되었습니다.
마지막으로, 계획된 재입원과 계획되지 않은 재입원 사이에는 구분이 없습니다. 따라서 이러한 모델 중 가장 좋은 모델이라도 오늘날의 환자에게는 제대로 작동하지 않을 수 있습니다. 보다 최신의 일반화 가능한 모델이 필요합니다.
따라서 이러한 격차를 해소하기 위해 본 연구의 목적은 다음과 같다. 1) 계획되지 않은 모든 원인의 30-일 재입원 예측을 위한 DL 모델을 개발하고, 2) DL 모델의 성능을 다음과 비교한다. TraditionalML 모델, 3)
모델 개발에 포함된 1~100개의 이전 EHR 발생 범위에서 모델 성능을 탐색하고 4) domainknowledge에서 선택한 실험실 테스트의 하위 집합을 사용하여 개발된 DL 모델과 사용 가능한 모든 실험실 테스트를 사용하여 개발된 DL 모델을 비교합니다.
모든 모델은 국립 환자 중심 임상 연구 네트워크(PCORnet) 공통 데이터 모델에서 정의한 인구통계, 활력 징후, 진단 및 절차 코드, 약물 치료, 실험실 테스트 및 관리 데이터를 사용하여 당뇨병 환자 36,641명의 2,836,569건의 데이터 세트에서 개발 및 테스트되었습니다. (CDM).29
재료 및 방법
환자 코호트의 정의
포함 기준은 2010년 7월 1일부터 2020년 12월 31일 사이에 펜실베니아주 필라델피아에 있는 3개의 Temple University Health System 병원 중 하나에서 최소 1회 퇴원했으며 다음 중 최소 하나로 정의된 당뇨병 환자였습니다. 당뇨병 진단( ICD-9: 249.xx 또는 250.xx 또는 ICD-10: E08.xxx ~ E13.xxx); a헤모글로빈 A1c(HbA1c) 수치 6.5% 이상, 또는 당뇨병 관련 약물 처방.
노인 환자의 경우 면회를 제외했습니다.<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).
환자들은 재입원 상태에 따라 2개의 그룹, 즉 적어도 하루 30-일 동안 재입원한 그룹과 그렇지 않은 그룹 중 하나로 분류되었습니다. 재입원한 환자 중 한 쌍의 입원-재입원 쌍을 무작위로 선택하여 분석했습니다. 재입원을 하지 않은 환자 중 1명을 무작위로 선정하여 분석하였다.
변수 정의 및 데이터 전처리
발생, 인구 통계, 진단, 실험실 테스트, 약물 처방, 절차 및 활력 징후와 같은 각 영역에 대한 테이블이 CDM에서 추출되었습니다. 특정 만남의 특징이 여러 테이블에 존재했기 때문에 테이블은 고유 식별자로 병합되었습니다. 추출된 테이블을 병합하면 특정 만남에 대한 모든 기록이 포함된 샘플이 생성되었습니다.
이로 인해 상당한 누락이 발생했습니다. 따라서 결측성은 별도의 특성으로 사용되었습니다. 연속 특성의 경우 누락된 데이터가 0로 바뀌었고, 범주형 특성은 고유 범주로 대체되었습니다.
총 23개의 특성이 모델의 입력으로 사용되었습니다. 14개는 CDM에서 추출되었고 9개는 집계되었습니다. 추출된 특성은 다음과 같습니다. 1) 만남 유형(입원 환자, 응급실, 관찰 체류, 외래 방문, 기타 외래 방문, 원격 의료 및 기타, 2) 퇴원 상태(생활 보조 시설, 의료 조언 반대, 만료, 가정 건강, 가정/자가 관리, 호스피스, 요양원, 재활 시설, 전문 요양 시설, 3) 성별, 4) 히스패닉; 5) 인종(아메리카 인디언/알래스카 원주민, 아시아인, 흑인, 태평양 섬 주민, 백인, 기타/정보 없음); 6) 담배(현재 사용자, 전혀 사용하지 않음, 이전 사용자, 수동적 노출, 기타/정보 없음); 7) 연령; 8)
진단 임상 분류 시스템(CCS) 코드,29 9) 절차 CCS 코드,29 10) 실험실 결과, 11) 각 만남 전 1년 이내에 약물 주문; 12) 확장기 혈압; 13) 수축기 혈압; 및14) 체질량지수(BMI).
집계된 기능은 다음과 같습니다: 1) Elixhauser 조건: 각 조건의 존재 여부를 나타내는 이진 기능;30 2) 입원 기간(일 단위로 체류하는 기간); 3) CCS 코드로 변환하기 전의 여러 절차코드; 4) CCS 코드로 변환하기 전의 여러 진단 코드; 5) 만남 유형에 상관없이 이전 만남 이후의 일수; 6) 이전에 입원환자, 관찰자 또는 응급실을 방문한 지 며칠이 지났습니다. 7) 다른(병원이 아닌) 만남 유형을 이전에 접한 지 며칠 후; 8) 현재 만남 이전에 여러 번의 입원 환자, 관찰 및 응급실 만남; 및 9) 현재 만남 이전에 여러 가지 다른(병원이 아닌) 만남.
ICD-9 코드를 ICD-10 코드로 변환하여 코드 형식을 통일했습니다. ICD-10 코드와 절차 코드가 CCS 코드로 변환되었습니다. 당뇨병과 관련된 약물은 도메인 지식을 바탕으로 종류별 당뇨병 약물, 콜레스테롤, 코르티코스테로이드, 레닌-안지오텐신계(RAAS) 혈압약, 비RAS 혈압약으로 분류되었습니다. 다른 약물은 무시되었습니다.
신뢰할 수 없거나 대부분 누락되었거나 상관 관계가 있는 것으로 확인된 기능은 제거되었습니다. 데이터 분포, 백분위수, 도메인 지식을 관찰하여 날짜, 결과, 키, 체중, BMI, 혈압(수축기 및 확장기)과 같은 이상값을 제거했습니다. 누락된 값은 해당 만남에 대한 매개변수가 수집되지 않았음을 나타내는 다른 범주로 처리되었습니다.
모델 예측(�)의 주요 결과는 CMS(Centers for Medicare & Medicaid Services)에서 정의한 입원 환자 퇴원 후 30일 이내에 계획되지 않은 모든 원인의 입원 환자 재입원이었습니다.31 CMS 정의에 따르면 30일 이내에 첫 번째 재입원만 가능합니다. 일 분석됐다.
For more information:1950477648nn@gmail.com
