Microsoft Word: aprenentatge profund versus models tradicionals_Abdel Hai_Final.Part 3

En aquest estudi, es van realitzar experiments extensos per determinar quantes trobades prèvies són òptimes per predir l'admissió.

A mesura que el ritme de la vida s'accelera, estem exposats a una gran quantitat d'informació cada dia i hem de mantenir una certa quantitat de memòria per absorbir i utilitzar millor aquesta informació. Moltes persones poden sentir que la seva memòria no és prou forta, però mitjançant una àmplia investigació experimental, podem trobar que la memòria es pot entrenar i millorar.

El primer experiment relacionat va analitzar els efectes del ioga en la millora de la memòria. L'experiment, realitzat a la Universitat de Califòrnia, San Francisco, va demostrar que la pràctica del ioga augmentava la matèria grisa del cervell i millorava la memòria a curt i llarg termini dels estudiants. Això es deu al fet que el ioga té un efecte molt bo sobre la salut física i mental de les persones, pot alleujar l'estrès i l'ansietat i, per tant, millorar la memòria de les persones.

El segon experiment va explorar la relació entre el son i la memòria. Els investigadors han descobert que dormir prou és bo per a la memòria de les persones. El son pot afavorir la transmissió d'informació entre cèl·lules cerebrals, ajudar a consolidar els records i millorar la capacitat d'emmagatzematge a llarg termini dels records.

El tercer experiment consisteix a utilitzar jocs matemàtics per millorar la capacitat de càlcul i la memòria dels alumnes. En l'experiment, realitzat a la Universitat de Hong Kong, els investigadors van demanar als estudiants que realitzessin activitats matemàtiques senzilles per estimular la seva activitat cerebral. Els resultats van mostrar que després de rebre la formació, la capacitat de càlcul i la memòria dels estudiants van millorar. Això demostra que amb l'entrenament i l'estimulació adequats, la funció cerebral es pot millorar de manera integral.

A través dels experiments anteriors, sabem que la memòria es pot entrenar i millorar, i no us haureu de preocupar massa perquè la vostra memòria no sigui prou bona. Podem millorar eficaçment la nostra memòria i afrontar millor els reptes de la vida moderna realitzant exercicis adequats, com ara exercicis de ioga, un son adequat i diversos jocs. Es pot veure que hem de millorar la memòria, i Cistanche deserticola pot millorar significativament la memòria perquè Cistanche deserticola és un material medicinal tradicional xinès que té molts efectes únics, un dels quals és millorar la memòria. L'eficàcia de la carn picada prové dels diferents ingredients actius que conté, com àcids, polisacàrids, flavonoides, etc. Aquests ingredients poden afavorir la salut del cervell de diverses maneres.

Feu clic a Coneix 10 maneres de millorar la memòria

Hem realitzat experiments tenint en compte � trobades durant els 2 anys anteriors, on � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100}. El nombre mitjà de trobades per pacient en aquest període va ser de 21 i el percentil 90 va ser de 56.

La variació del nombre de trobades va donar lloc a una longitud no unificada dels vectors de característiques. Així, en un experiment que considera fins a 60 trobades, els vectors de característiques que no tenien dades es van emplenar amb 0 per garantir que els vectors de característiques de tots els pacients representen 60 trobades.

Aquest estudi va plantejar la hipòtesi que els models DL superen els models tradicionals en un gran punt de referència, per tant, es va realitzar una anàlisi comparativa amb una varietat de mètriques d'avaluació per avaluar i comparar els algorismes de DL amb els models tradicionals de referència.

A més, per examinar la importància del coneixement del domini, vam entrenar i provar els models sobre dades amb tots els estudis de laboratori inclosos en el conjunt de dades de l'EHR i en comparació amb els models entrenats i provats amb un subconjunt d'estudis de laboratori basats en informes previs d'associació amb la readmissió (albúmina sèrica, anió). bretxa, pH arterial, bilirubina, nitrogen ureic sanguini, diòxid de carboni, creatinina sèrica, glucosa en sang, hematocrit, lactat, PaCO2, PaO2, sodi sèric, troponina-I, pH venós i recompte de glòbuls blancs).11, 34 Utilitzant només un un subconjunt d'estudis de laboratori pot ser beneficiós reduint la dimensionalitat.

Els pacients es van classificar aleatòriament en 3 subconjunts no superposats, on el 70% es van utilitzar per a la formació, el 10% per a la validació i el 20% per a les proves. Hem emprat tècniques de validació creuada per trobar els hiperparàmetres que ofereixen el millor rendiment.

Per a LSTM i GRU, vam variar el nombre de neurones, l'abandonament, la mida del lot i el nombre d'èpoques mitjançant una cerca de quadrícula. Segons la literatura, en els experiments realitzats, el percentatge d'abandonament va variar de 0 a 50, i el nombre de neurones va variar de 32 a 512.

Hem seleccionat un abandon de 0.1, 128 neurones, una mida de lot de 512 i 16 èpoques per a LSTM i 12 èpoques per a GRU, ja que la GRU bidireccional convergeix més ràpidament que la 1-forma LSTM. Funció d'activació sigmoide. i l'optimitzador Adam. També es van ajustar els models tradicionals i es van escollir els hiperparàmetres que donaven les millors prestacions.

Anàlisi i mètriques de rendiment

El rendiment dels mètodes utilitzats en el nostre estudi es va avaluar mitjançant cinc mètriques comunes: àrea sota la corba característica de funcionament del receptor (AUROC), record (també coneguda com a sensibilitat), especificitat, puntuació F1- i precisió. Les definicions formals d'aquestes mètriques d'avaluació són habituals i es poden trobar fàcilment.34

Es va realitzar una anàlisi de significació estadística per avaluar l'estabilitat i la importància del rendiment del model proposat.Vam seleccionar aleatòriament diferents pacients per a la formació i les proves i vam repetir la selecció aleatòria 10 vegades per generar mesures de rendiment mitjà i intervals de confiança del 95%.

Es va comparar LSTM amb el model tradicional (RF) de millor rendiment mitjançant la prova t. Un valor p<0.05 was considered statistically significant. The Temple University Institutional Review Board approved the protocol.

Resultats

Es van analitzar un total de 36.641 pacients amb 2.836.569 trobades. Hi va haver 9.130 pacients amb almenys un reingrés i 27.511 sense reingrés. La influència del nombre de trobades durant els dos anys anteriors es va avaluar per a cinc models de predicció on � es van considerar trobades per a cada model i es van repetir els experiments per a � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100} .

La figura 2 presenta l'AURO del model proposat, LSTM, enfront dels models tradicionals a través de diversos nombres de trobades. També es va realitzar GRU bidireccional, però es va ometre perquè va aconseguir un AUROCto LSTM idèntic. LSTM va superar els models tradicionals en un gran punt de referència en tots els experiments amb diferents nombres de trobades.

De mitjana, els models LSTM van produir un augment d'AUROC de {{0}}.06 en comparació amb els models tradicionals de millor rendiment, RF. Els experiments mostren que predir la readmissió basada en una única trobada prèvia no és suficient i va obtenir un rendiment molt inferior (0,7 utilitzant els models DL i 0,68 utilitzant el model tradicional de millor rendiment).

Els DLmodels van assolir un altiplà quan es van entrenar utilitzant dades de 30encontres amb una millora mínima posterior. L'algoritme DL va produir un augment de 0,07 en AUROC en comparació amb el model RF tradicional de millor rendiment quan s'utilitza el nombre òptim de trobades, 80.

La taula 1 mostra el rendiment dels models LSTM i tradicionals utilitzant totes les proves de laboratori de fins a 80 dels més recents en els dos anys anteriors. En general, els intervals de confiança eren molt petits (<0.02), indicating a high degree of precision around the means. 

El mètode proposat, LSTM, va obtenir un AUROC mitjà de {{0}},79 amb un IC del 95% de 0,001. El valor p obtingut comparant el LSTM AUROC amb el segon model de millor rendiment (RF) va ser<0.0001, hence, LSTM performance was significantly greater than the traditional models.

Els models LSTM van aconseguir un record/sensibilitat de 0,81, cosa que indica que el rendiment era bastant fort a l'hora de predir positius veritables (és a dir, classificar correctament els pacients amb reingrés).

Tots els models utilitzats en el nostre estudi van aconseguir una especificitat molt bona, (és a dir, la veritable taxa negativa). Així, els models entrenats van tenir un bon rendiment a l'hora de predir pacients que no són propensos a ser readmès. LSTM va aconseguir una puntuació F{{0}}de 0,80, cosa que indica una molt bona capacitat per distingir entre pacients que seran readmesos o no.

Per determinar si el coneixement del domini sobre estudis de laboratori és útil, vam realitzar dos experiments diferents on vam entrenar i provar el model basant-se en un subconjunt de 16 estudis de laboratori únics seleccionats pel coneixement del domini en comparació amb l'ús dels 981 estudis de laboratori únics inclosos a les dades.

Es van utilitzar i modificar tècniques de codificació One Hot per associar el resultat del laboratori amb cada codi de laboratori. S'ha creat una llarga sèrie única de codis de laboratori������_���_�����. Per a cada trobada, es va crear una matriu de zeros � de la mateixa longitud que ������_���_�����. �consistia en el resultat al mateix índex de cada prova de laboratori en������_���_�������, per associar el resultat a un codi de laboratori determinat. Una trobada sense resultats de laboratori tindria un � de zeros, cosa que indica que no es va realitzar cap prova de laboratori per a una trobada determinada.

Ja que la majoria de trobades contenien<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).

Discussió

En aquesta cohort retrospectiva de 36.563 pacients amb diabetis, els models de DL van superar els models RF, MLP, AdaBoost i LR en predir una readmissió no planificada per 30-dia per totes les causes. El model LSTM òptim va produir un AUROC de 0,79 i una precisió de 0,81, cosa que indica un rendiment molt bo. Els experiments dissenyats per revelar la relació entre el nombre de trobades prèvies i el rendiment del model mostren que l'AUROC dels models LSTM va augmentar a mesura que augmentava el nombre de trobades i es va aplanar a les 30 trobades. El rendiment dels models tradicionals va augmentar en menor mesura fins a les xifres de trobades anteriors de 15 o 30, després es va reduir (RF) o es va reduir (MLP, AdaBoost, LR) a mesura que augmentava el nombre de trobades. Finalment, un model LSTM que incloïa un conjunt de 16 proves de laboratori seleccionades pel coneixement del domini va donar un rendiment equivalent a un model LSTM que incloïa totes les proves de laboratori disponibles.

En el nostre estudi, els models DL van tenir un millor rendiment que els models tradicionals. Tenim coneixement de 4 estudis que van comparar models de DL amb models tradicionals per predir el risc de reingrés de pacients amb diabetis. Dos d'aquests estudis van demostrar un avantatge clar dels enfocaments de DL respecte als models tradicionals de ML,23,24 mentre que dos estudis van trobar un benefici marginal amb els enfocaments de DL.25,27 El rendiment d'aquests models de DL va ser variable amb AUROC 0.61-0 .97 i precisió de 0.69-0.95, cap dels quals va superar la dels millors models tradicionals de ML, que informaven AUROC fins a 0.99 i precisió de {{13} }.99.23,27 Les comparacions del rendiment del model a través de tots aquests estudis, però, estan limitades per la manca d'informes estandarditzats de les característiques de rendiment i els enfocaments variables de les proves. El nostre estudi, considerat amb els estudis anteriors que comparaven directament la DL amb els models tradicionals de ML, suggereix que els enfocaments de DL solen produir un millor rendiment en aquesta població.

Desconeixem altres articles que hagin explorat la relació entre el nombre de trobades prèvies i el rendiment del model de risc de readmissió en pacients amb diabetis. En un treball relacionat, però, un article va examinar com el rendiment dels models per predir el risc de reingrés en pacients amb obesitat mòrbida va variar a mesura que el nombre d'hospitalitzacions va augmentar d'un mínim de 2 a 5,35 AUROC va augmentar de 2 a 3 hospitalitzacions després de l'altiplà. En un altre estudi àmpliament relacionat, vam trobar que el rendiment dels models LR per predir el risc de readmissió de pacients amb diabetis tendia a augmentar a mesura que la mida de la mostra augmentava de 2,000 fins a 6,000, i després es va estabilizar. .36 Aquest conjunt d'investigacions suggereix que l'experimentació amb una sèrie de nombres de trobades i mides de mostres pot revelar llindars que podrien optimitzar l'anàlisi de dades, equilibrant la quantitat d'informació amb la dimensionalitat.

Tampoc coneixem altres estudis que hagin comparat models de risc de reingrés utilitzant dades de laboratori seleccionades pel coneixement del domini amb totes les dades de laboratori disponibles en pacients amb diabetis. Hi ha una compensació entre incloure totes les dades de laboratori, que es tradueix en una dimensionalitat més alta i models computacionalment més costosos, i implicar un expert del domini per seleccionar un subconjunt de dades de laboratori, cosa que pot ser costosa i menys factible. Igual que el nombre de trobades prèvies més enllà de les quals el rendiment del model no va millorar, la constatació que el rendiment del model amb el subconjunt de dades de laboratori era equivalent al model amb totes les dades de laboratori suggereix que hi ha un altiplà similar per a aquest domini. S'ha d'investigar si aquest fenomen es generalitza o no a altres poblacions de pacients.

Els models LSTM presentats, que anomenem eDERRITM, són una extensió dels nostres models anteriors, el DERRIM i el DERRIplus.8,11 Pel que fa a AUROC, el model eDERRITM va tenir un millor rendiment que el DERRITM però pitjor que el DERRIplus. Malauradament, el rendiment dels 3 models no es pot comparar directament a l'estudi actual perquè el conjunt de dades no inclou el codi postal, l'estat laboral o la informació del pagador. A diferència del DERRITM i DERRIplus, els models eDERRITM es desenvolupen amb dades d'EHR generalment disponibles, com ara dades demogràfiques, signes vitals, codis de diagnòstic i procediment, medicaments, proves de laboratori i dades administratives tal com es defineix per PCORnet CDM.29 El CDM estandarditza l'abstracció de dades de EHR, millorar la generalització i escalabilitat dels models que l'utilitzen. Tenim previst traduir l'eDERRITM en una aplicació integrada en un sistema EHR que generarà automàticament prediccions de risc de reingrés per a pacients hospitalitzats amb diabetis.

A més de la generalització del conjunt de dades basat en CDM, l'estudi actual té altres punts forts notables. El conjunt de dades es mostren de pacients amb una hospitalització entre l'1/7/2010 i el 31/12/2020, que és molt més recent que els conjunts de dades utilitzats per a altres models de risc de readmissió publicats actualment en pacients amb diabetis. També a diferència del conjunt de dades més utilitzat, que només incloïa trobades hospitalàries amb un diagnòstic associat de diabetis i una estada inferior a 15 dies, el conjunt de dades actual incloïa tots els tipus de trobades independentment del diagnòstic associat, capturant dades tant d'hospitalització com ambulatòria. Finalment, la mida de la mostra de 36.563 pacients amb 2.836.569 trobades va proporcionar àmplies dades per desenvolupar models de DL i realitzar experiments amb fins a 100 trobades prèvies.

Hi ha algunes limitacions que val la pena reconèixer. Les dades es van mostrejar d'un únic sistema de salut acadèmic urbà. Per tant, es desconeix la generalització dels models a altres poblacions i requereix prova. La manca de codi postal tant del pacient com de l'hospital impedeix estimar la distància entre el codi postal domiciliari d'un pacient i l'hospital, que se sap que està associat al risc de reingrés.8,11 Finalment, no es van captar els reingrés a altres hospitals.

Conclusió

S'ha desenvolupat i provat internament un model LSTM amb un rendiment molt bo que prediu una readmissió no planificada 30-dia per totes les causes entre pacients amb diabetis. Els models LSTM superen els models tradicionals a l'hora de predir la readmissió en aquesta població. El rendiment del model LSTM augmenta inicialment a mesura que augmenta el nombre de trobades prèvies i després es redueix. Les característiques de laboratori seleccionades amb cura poden produir models predictius amb un rendiment igual al dels models basats en tots els estudis de laboratori disponibles. Cal un estudi addicional per validar externament el model.

Agraïments

Aquesta investigació va comptar amb el suport de l'Institut Nacional de Salut (NIH) amb el número de subvenció R01DK122073.

Referències

1. Benbassat J, Taragin M. Els reingrés hospitalaris com a mesura de la qualitat de l'atenció sanitària: avantatges i limitacions. Arxiu de Medicina Interna. 2000;160:1074-1081.

2. Rubin DJ. Reingrés hospitalari de pacients amb diabetis. Informes actuals sobre diabetis. 2015;15:1-9.

3. Ostling S, Wyckoff J, Ciarkowski SL, Pai CW, Choe HM, Bahl V, et al. La relació entre la diabetis i les taxes de readmissió de 30-dia. Diabetis Clínica i Endocrinologia. 2017;3:3.

4. Enomoto LM, Shrestha DP, Rosenthal MB, Hollenbeak CS, Gabbay RA. Factors de risc associats amb 30-dia de readmissió i durada de l'estada en pacients amb diabetis tipus 2. J Complicacions de la diabetis. 2017;31:122-127.

5. AHRQ, Projecte d'ús i cost de l'assistència sanitària (hcup) mostra nacional d'hospitalització (nis). , 2018.

6. ADA. Costos econòmics de la diabetis als EUA El 2017. Diabetes Care. 2018;41:917-928.

7. Rubin DJ, Shah AA. Predicció i prevenció de la reutilització de les cures agudes per part dels pacients amb diabetis. Informes actuals de diabetis. 2021;21.

8. Rubin DJ, Handorf EA, Golden SH, Nelson DB, McDonnell ME, Zhao H. Desenvolupament i validació d'una nova eina per predir el risc de reingrés hospitalari entre pacients amb diabetis. Endocr Pract. 2016;22:1204-1215.

9. Rubin DJ, Recco D, Turchin A, Zhao H, Golden SH. Validació externa de l'indicador de risc de reingrés precoç de diabetis (Terri ()). Endocr Pract. 2018;24:527-541.10. Alamer AA, Patanwala AE, Aldayyen AM, Fazel MT. Validació i comparació de models de predicció de reingrés de dos 30-dies en pacients amb diabetis. Endocr Pract. 25;2019:1151-1157.

For more information:1950477648nn@gmail.com