Microsoft Word - Deep Learning Vs Traditional Models_Abdel Hai_Final.Parti 3

Nan etid sa a, yo te fè anpil eksperyans pou detèmine konbyen rankont anvan ki pi bon pou predi admisyon.

Kòm vitès la nan lavi akselere, nou ekspoze a yon gwo kantite enfòmasyon chak jou, epi nou bezwen kenbe yon sèten kantite memwa pou pi byen absòbe ak itilize enfòmasyon sa a. Anpil moun ka santi ke memwa yo pa ase fò, men atravè rechèch eksperimantal vaste, nou ka jwenn ke memwa ka fòme ak amelyore.

Premye eksperyans ki gen rapò a te gade efè yoga sou amelyore memwa. Eksperyans lan, ki te fèt nan University of California, San Francisco, te montre ke pratik yoga ogmante matyè gri nan sèvo a ak amelyore memwa kout ak alontèm elèv yo. Sa a se paske yoga gen yon efè trè bon swen sante sou sante fizik ak mantal moun, ka soulaje estrès ak enkyetid, epi kidonk amelyore memwa moun yo.

Dezyèm eksperyans la te eksplore relasyon ki genyen ant dòmi ak memwa. Chèchè yo jwenn ase dòmi bon pou memwa moun. Dòmi ka ankouraje transmisyon enfòmasyon ant selil nan sèvo, ede konsolide memwa, ak amelyore kapasite depo alontèm memwa yo.

Twazyèm eksperyans lan se sèvi ak jwèt matematik pou amelyore kapasite kalkil ak memwa elèv yo. Nan eksperyans la, ki te fèt nan University of Hong Kong, chèchè te mande elèv yo fè aktivite matematik senp pou estimile aktivite sèvo yo. Rezilta yo te montre ke apre yo fin resevwa fòmasyon an, kapasite kalkil elèv yo ak memwa amelyore. Sa montre ke ak fòmasyon apwopriye ak eksitasyon, fonksyon nan sèvo ka amelyore konplè.

Atravè eksperyans ki anwo yo, nou konnen ke memwa ka fòme ak amelyore, epi ou pa bezwen enkyete twòp sou memwa ou pa bon ase. Nou ka efektivman amelyore memwa nou ak pi byen fè fas ak defi yo nan lavi modèn lè nou fè egzèsis apwopriye, tankou egzèsis yoga, bon dòmi, ak divès kalite jwèt. Li ka wè ke nou bezwen amelyore memwa, ak Cistanche deserticola ka siyifikativman amelyore memwa paske Cistanche deserticola se yon materyèl tradisyonèl Chinwa medsin ki gen anpil efè inik, youn nan ki se amelyore memwa. Efikasite vyann mens soti nan divès engredyan aktif li genyen ladan l, ki gen ladan asid, polisakarid, flavonoid, elatriye engredyan sa yo ka ankouraje sante nan sèvo nan divès fason.

Klike sou konnen 10 fason pou amelyore memwa

Nou te fè eksperyans lè nou konsidere � rankont nan 2 ane anvan yo, kote � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100}. Kantite mwayèn rankont pou chak pasyan nan peryòd sa a te 21, ak 90yèm percentile la te 56.

Varyasyon nan nimewo rankont la te lakòz yon longè vektè karakteristik ki pa inifye. Kidonk, nan yon eksperyans ki konsidere jiska 60 rankont, vektè karakteristik ki manke done yo te ranpli ak 0 pou asire ke vektè karakteristik pou tout pasyan yo reprezante 60 rankont.

Etid sa a te fè ipotèz ke modèl DL depase modèl tradisyonèl yo sou yon gwo referans, kidonk, yo te fè yon analiz konparatif ak yon varyete de mezi evalyasyon pou evalye epi konpare algoritm DL yo ak modèl tradisyonèl debaz yo.

Anplis de sa, pou egzamine enpòtans konesans domèn, nou fòme ak teste modèl yo sou done ak tout etid laboratwa ki enkli nan done EHR yo epi konpare ak modèl ki fòme ak teste ak yon ti gwoup etid laboratwa ki baze sou papye anvan yo rapòte asosyasyon ak readmisyon (albumin serom, anion). diferans, pH atè, bilirubin, nitwojèn ure nan san, gaz kabonik, kreyatinin serik, glikoz nan san, ematokrit, laktat, PaCO2, PaO2, sodyòm serik, troponin-I, pH venn, ak konte globil blan).11, 34 Sèvi ak sèlman yon sou-ansanm etid laboratwa yo ka benefisye lè yo diminye dimansyon.

Pasyan yo te klase owaza nan 3 sous-ansanm ki pa sipèpoze, kote yo te itilize 70% pou fòmasyon, 10% pou validasyon, ak 20% pou tès. Nou te itilize teknik kwa-validasyon pou jwenn hyperparameters ki bay pi bon pèfòmans yo.

Pou LSTM ak GRU, nou te varye kantite newòn, abandon, gwosè pakèt, ak kantite epòk lè l sèvi avèk yon rechèch kadriyaj. Apre literati a, nan eksperyans ki te fèt pousantaj abandon te varye de 0 a 50, ak kantite newòn yo te varye de 32 a 512.

Nou te chwazi yon abandon 0.1, 128 newòn, yon gwosè pakèt 512, ak 16 epòk pou LSTM, ak 12 epòk pou GRU depi GRU bidireksyon konvèje pi vit pase 1-fason LSTM.Fonksyon aktivasyon sigmoid. ak Adam optimiseur yo te itilize. Modèl tradisyonèl yo te amann tou epi yo te chwazi ipèparamèt ki bay pi bon pèfòmans.

Mezi pèfòmans ak analiz

Pèfòmans metòd yo itilize nan etid nou an te evalye pa senk mezi komen: Zòn Anba Koub Karakteristik Fonksyònman Reseptè a (AUROC), Rapèl (ki rele tou Sensibilite), Espesifik, nòt F1-, ak Presizyon. Definisyon fòmèl mezi evalyasyon sa yo komen epi yo ka jwenn fasil.34

Analiz siyifikasyon estatistik yo te fèt pou evalye estabilite ak siyifikasyon pèfòmans modèl yo pwopoze a.Nou te chwazi owaza diferan pasyan pou fòmasyon ak tès epi repete seleksyon o aza 10 fwa pou jenere mezi pèfòmans vle di ak entèval konfyans 95%.

LSTM te konpare ak pi bon pèfòmans tradisyonèl modèl (RF) pa t-tès. Yon p-valè<0.05 was considered statistically significant. The Temple University Institutional Review Board approved the protocol.

Rezilta yo

Yo te analize yon total de 36,641 pasyan ki gen 2,836,569 rankont. Te gen 9,130 ​​pasyan ki gen omwen yon readmisyon ak 27,511 san yon readmisyon. Enfliyans kantite rankont nan 2 ane anvan yo te evalye pou senk modèl prediksyon kote � rankont yo te konsidere pou chak modèl, epi eksperyans yo te repete pou � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100} .

Figi 2 prezante AUROC nan modèl yo pwopoze a, LSTM, kont modèl tradisyonèl atravè divès kantite rankont. GRU bidirectionnelle te fè tou men omisyon paske li reyalize yon AUROCto LSTM ki idantik. LSTM depase modèl tradisyonèl yo sou yon gwo referans atravè tout eksperyans ak diferan kantite rankont.

An mwayèn, modèl LSTM yo te bay yon ogmantasyon nan AUROC de {{0}}.06 lè yo konpare ak modèl tradisyonèl ki pi bon yo, RF. Eksperyans yo montre ke predi admisyon ki baze sou yon sèl rankont anvan pa sifizan epi li bay pèfòmans pi ba anpil (0.7 lè l sèvi avèk modèl DL yo ak 0.68 lè l sèvi avèk modèl tradisyonèl ki pi bon an).

DLmodels te rive nan yon plato lè yo te antrene ak done ki soti nan 30rankont ak amelyorasyon minim apre sa. DLalgorithm la te bay yon ogmantasyon 0.07 nan AUROC parapò ak modèl tradisyonèl RF ki pi bon lè w te itilize pi bon kantite rankont, 80.

Tablo 1 montre pèfòmans LSTM ak modèl tradisyonèl yo lè l sèvi avèk tout tès laboratwa ki soti nan jiska 80 nan rankont ki pi resan yo nan 2 ane anvan yo. An jeneral, entèval konfyans yo te piti anpil (<0.02), indicating a high degree of precision around the means. 

Metòd pwopoze a, LSTM, te jwenn yon AUROC mwayèn nan {{0}}.79 ak yon CI 95% nan 0.001. Valè p yo te jwenn lè w konpare LSTM AUROC ak dezyèm modèl ki pi bon an (RF) te<0.0001, hence, LSTM performance was significantly greater than the traditional models.

Modèl LSTM yo te reyalize yon Rapèl/Sensiblite 0.81, sa ki endike ke pèfòmans yo te jistis fò nan predi vrè pozitif, (sa vle di, kòrèkteman klasifye pasyan ki gen readmisyon).

Tout modèl yo itilize nan etid nou an reyalize yon espesifik trè bon, (sa vle di, to negatif la vre). Kidonk, modèl ki resevwa fòmasyon yo te fè byen nan predi pasyan ki pa gen anpil chans pou yo readmèt yo. LSTM reyalize yon nòt F{{0}}sòt 0.80, sa ki endike yon trè bon kapasite pou fè distenksyon ant pasyan ki pral reyadmèt oswa ou pa.

Pou detèmine si konesans domèn sou etid laboratwa yo itil, nou te fè de eksperyans diferan kote nou te antrene ak teste modèl la ki baze sou yon gwoup 16 etid laboratwa inik chwazi pa konesans domèn kont lè l sèvi avèk tout 981 etid laboratwa inik ki enkli nan done yo.

Yon teknik kodaj Hot yo te itilize ak modifye pou asosye rezilta laboratwa a ak chak kòd laboratwa. Yo te kreye yon seri kòd long inik laboratwa������_���_�����. Pou chak rankont, yo te kreye yon etalaj zewo � ki gen menm longè ak ������_���_�����. �konsiste de rezilta nan menm endèks chak tès laboratwa nan������_���_�������, pou asosye rezilta a ak yon kòd laboratwa. Yon rankont san rezilta laboratwa ta gen yon � de zewo, ki endike ke pa gen okenn tès laboratwa te fèt pou yon rankont yo bay.

Depi pifò rankont genyen<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).

Diskisyon

Nan kowòt retrospektiv sa a ki gen 36,563 pasyan ki gen dyabèt, modèl DL yo te depase RF, MLP, AdaBoost, ak LRmodèl yo nan prevwa readmisyon ki pa planifye pou tout 30-jou. Modèl LSTM pi bon an bay yon AUROC de 0.79 ak yon presizyon nan 0.81, ki endike trè bon pèfòmans. Eksperyans ki fèt pou revele relasyon ki genyen ant kantite rankont anvan yo ak pèfòmans modèl yo montre ke AUROC nan modèl LSTM yo te ogmante pandan nimewo rankont la te ogmante epi li te monte nan 30 rankont yo. Pèfòmans modèl tradisyonèl yo te ogmante nan yon pi piti limit jiska nimewo rankont anvan 15 oswa 30, Lè sa a, swa platoed (RF) oswa refize (MLP, AdaBoost, LR) kòm encounternumber te ogmante. Finalman, yon modèl LSTM ki te gen ladann yon seri 16 tès laboratwa chwazi pa konesans domèn te bay pèfòmans ekivalan ak yon modèl LSTM ki te enkli tout tès laboratwa ki disponib.

Nan etid nou an, modèl DL yo te fè pi bon pase modèl tradisyonèl yo. Nou okouran de 4 etid ki konpare modèl DL ak modèl tradisyonèl pou predi risk pou pasyan ki gen dyabèt readmisyon. De nan etid sa yo te montre yon avantaj klè nan apwòch DL sou modèl tradisyonèl ML,23,24 alòske de etid yo te jwenn avantaj majinal ak apwòch DL.25,27 Pèfòmans modèl DL sa yo te varyab ak AUROC 0.61-0 .97 ak presizyon nan 0.69-0.95, pa youn nan yo ki depase pi bon modèl tradisyonèl ML yo, ki te rapòte AUROC jiska 0.99 ak presizyon nan {{13} }.99.23,27 Konparezon pèfòmans modèl atravè tout etid sa yo, sepandan, limite pa mank de rapò ofisyèl sou karakteristik pèfòmans ak apwòch varyab nan tès yo. Etid nou an konsidere ak etid anvan yo ki te konpare dirèkteman DL ak modèl tradisyonèl ML, sijere ke apwòch DL anjeneral bay pi bon pèfòmans nan popilasyon sa a.

Nou pa okouran de lòt papye ki te eksplore relasyon ki genyen ant kantite rankont anvan ak pèfòmans modèl risk readmisyon nan pasyan ki gen dyabèt. Nan travay ki gen rapò, sepandan, yon papye te egzamine ki jan pèfòmans modèl pou predi risk readmisyon nan pasyan ki gen obèz morbid te varye pandan kantite entène lopital te ogmante de yon minimòm de 2 jiska 5.35 AUROC te ogmante de 2 a 3 entène lopital epi li te ogmante. Nan yon lòt etid ki gen rapò lajman, nou te jwenn ke pèfòmans nan modèl LR pou predi risk readmisyon pasyan ki gen dyabèt yo te gen tandans ogmante kòm gwosè echantiyon an te ogmante soti nan 2,000 jiska 6,000, Lè sa a, plated. .36 Kò rechèch sa a sijere ke eksperimantasyon atravè yon seri nimewo rankont ak gwosè echantiyon yo ka revele limit ki ta ka optimize analiz done yo, balanse kantite enfòmasyon ak dimansyon.

Nou pa okouran tou lòt etid ki te konpare modèl risk readmisyon lè l sèvi avèk done laboratwa ki chwazi pa konesans domèn ak tout done laboratwa ki disponib nan pasyan ki gen dyabèt. Gen yon konpwomi ant enkli tout done laboratwa yo, ki rezilta nan pi gwo dimansyon ak modèl ki pi chè nan domèn enfòmatik, ak enplike yon ekspè nan domèn pou chwazi yon ti gwoup done laboratwa, ki ka koute chè ak mwens posib. Menm jan ak kantite rankont anvan yo pi lwen pase ki pèfòmans modèl la pa t amelyore, konklizyon an ke pèfòmans nan nan modèl la ak done laboratwa sou-seri te ekivalan a modèl la ak tout done laboratwa sijere ke gen yon plato ki sanble pou domèn sa a. Si wi ou non fenomèn sa a jeneralize nan lòt popilasyon pasyan yo ta dwe envestige.

Modèl LSTM prezante yo, ke n ap rele eDERRITM, se yon ekstansyon modèl anvan nou yo, DERRITM ak DERRIplus.8,11 An tèm de AUROC, modèl eDERRITM la te fè pi bon pase DERRITM la men pi mal pase DERRIplus la. Malerezman, pèfòmans 3 modèl yo pa ka konpare dirèkteman nan etid aktyèl la paske seri done a pa genyen kòd postal, sitiyasyon travay, oswa enfòmasyon sou moun ki peye yo. Kontrèman ak DERRITM ak DERRIplus, modèl eDERRITM yo devlope ak done EHR ki disponib an jeneral tankou demografik, siy vital, kòd dyagnostik ak pwosedi, medikaman, tès laboratwa, ak done administratif jan PCORnet CDM defini.29 CDM estandadize abstraksyon done EHR, amelyore jeneralizasyon ak évolutivité modèl ki itilize li. Nou planifye pou tradui eDERRITM a nan yon aplikasyon ki entegre nan yon sistèm EHR ki pral otomatikman jenere prediksyon risk readmisyon pou pasyan ki entène lopital ak dyabèt.

Anplis de jeneralizasyon nan seri done ki baze sou CDM, etid aktyèl la gen lòt fòs remakab. Ansanm done yo pran echantiyon nan pasyan ki gen yon entène lopital ant 7/1/2010 ak 12/31/2020, ki se pi resan pase seri done yo itilize pou lòt modèl risk readmisyon ki pibliye kounye a nan pasyan dyabèt. Epitou, kontrèman ak seri done ki pi itilize a, ki enkli sèlman rankont lopital ki gen yon dyagnostik dyabèt ki asosye ak yon longè rete mwens pase 15 jou, seri done aktyèl la enkli tout kalite rankont kèlkeswa dyagnostik ki asosye a, ki te kaptire tou de done pasyan ki entène ak pasyan ekstèn. Anfen, gwosè echantiyon 36,563 pasyan ki gen 2,836,569 rankont te bay anpil done pou devlope modèl DL ak fè eksperyans ak jiska 100 rankont anvan.

Gen kèk limit ki merite rekonèt. Done yo te pran echantiyon nan yon sèl iben, sistèm sante akademik. Se poutèt sa, jeneralizasyon nan modèl yo nan lòt popilasyon se enkoni epi li mande tès. Mank kòd postal pasyan ak lopital anpeche estime distans ki genyen ant kòd postal kay pasyan an ak lopital la, ke yo konnen ki asosye ak risk readmisyon an.

Konklizyon

Yo te devlope yon modèl LSTM ak trè bon pèfòmans ki prevwa yon readmisyon san planifye, tout kòz 30-jou pami pasyan ki gen dyabèt, epi yo te teste anndan an. Modèl LSTM depase modèl tradisyonèl yo nan predi admisyon nan popilasyon sa a. Pèfòmans modèl LSTM okòmansman ogmante kòm kantite rankont anvan yo ogmante epi Lè sa a, plato. Karakteristik laboratwa ak anpil atansyon chwazi ka bay modèl prediksyon ak pèfòmans ki egal ak modèl ki baze sou tout etid laboratwa ki disponib. Lòt etid nesesè pou valide modèl la deyò.

Rekonesans

Rechèch sa a te sipòte pa National Health Institute (NIH) anba nimewo sibvansyon R01DK122073.

Referans

1. Benbassat J, Taragin M. Readmisyon lopital kòm yon mezi kalite swen sante: Avantaj ak limit. Achiv Medsin Entèn. 2000;160:1074-1081.

2. Rubin DJ. Readmisyon lopital pasyan ki gen dyabèt. Rapò Dyabèt Aktyèl yo. 2015;15:1-9.

3. Ostling S, Wyckoff J, Ciarkowski SL, Pai CW, Choe HM, Bahl V, et al. Relasyon ki genyen ant dyabèt ak pousantaj 30-readmisyon jou. Dyabèt klinik ak andokrinoloji. 2017;3:3.

4. Enomoto LM, Shrestha DP, Rosenthal MB, Hollenbeak CS, Gabbay RA. Faktè risk ki asosye ak 30-readmisyon jou ak longè rete nan pasyan ki gen dyabèt tip 2. J Konplikasyon Dyabèt. 2017;31:122-127.

5. AHRQ, Swen Sante ak pwojè itilizasyon (hcup) echantiyon nasyonal pasyan ki entène (nis). , 2018.

6. ADA. Depans ekonomik dyabèt nan peyi Etazini an 2017. Swen pou dyabèt. 2018;41:917-928.

7. Rubin DJ, Shah AA. Predi ak anpeche re-itilizasyon swen egi pa pasyan ki gen dyabèt. Aktyèl Rapò Dyabèt. 2021;21.

8. Rubin DJ, Handorf EA, Golden SH, Nelson DB, McDonnell ME, Zhao H. Devlopman ak validation zouti anovel pou predi risk pou readmisyon lopital nan mitan pasyan ki gen dyabèt. Endocr Pract. 2016;22:1204-1215.

9. Rubin DJ, Recco D, Turchin A, Zhao H, Golden SH. Validasyon ekstèn nan endikatè risk re-admisyon bonè dyabèt (Terri ()). Endocr Pract. 2018;24:527-541.10. Alamer AA, Patanwala AE, Aldayyen AM, Fazel MT. Validasyon ak konparezon de modèl prediksyon readmisyon de 30-jou pou pasyan ki gen dyabèt. Endocr Pract. 2019;25:1151-1157.

For more information:1950477648nn@gmail.com