Microsoft Word – süvaõpe vs traditsioonilised mudelid_Abdel Hai_lõplik.3. osa
Jan 03, 2024
Selles uuringus viidi läbi ulatuslikud katsed, et teha kindlaks, kui palju eelnevaid kohtumisi on tagasisaatmise ennustamiseks optimaalsed.
Elutempo kiirenedes puutume iga päev kokku suure hulga teabega ja peame säilitama teatud hulga mälu, et seda teavet paremini omastada ja kasutada. Paljudele inimestele võib tunduda, et nende mälu ei ole piisavalt tugev, kuid ulatuslike eksperimentaalsete uuringute abil võime leida, et mälu saab treenida ja parandada.
Esimeses sellega seotud katses vaadeldi jooga mõju mälu parandamisele. California ülikoolis San Franciscos läbi viidud katse näitas, et joogapraktika suurendas ajus hallollust ning parandas õpilaste lühi- ja pikaajalist mälu. Seda seetõttu, et jooga mõjub inimeste füüsilisele ja vaimsele tervisele väga hästi, leevendab stressi ja ärevust ning parandab seeläbi inimeste mälu.
Teises katses uuriti seost une ja mälu vahel. Teadlased on avastanud, et piisav magamine mõjub inimeste mälule hästi. Uni võib soodustada teabe edastamist ajurakkude vahel, aidata mälestusi kinnistada ja parandada mälestuste pikaajalist salvestusvõimet.
Kolmas katse on kasutada matemaatilisi mänge õpilaste arvutusvõime ja mälu parandamiseks. Hongkongi ülikoolis läbi viidud katses palusid teadlased õpilastel teha lihtsaid matemaatilisi tegevusi, et stimuleerida nende ajutegevust. Tulemused näitasid, et peale koolituse saamist paranes õpilaste arvutusvõime ja mälu. See näitab, et sobiva treeningu ja stimulatsiooniga saab ajutegevust igakülgselt parandada.
Ülaltoodud katsete kaudu teame, et mälu saab treenida ja parandada ning te ei pea liiga palju muretsema, et teie mälu pole piisavalt hea. Saame tõhusalt parandada oma mälu ja tulla paremini toime kaasaegse elu väljakutsetega, sooritades sobivaid harjutusi, nagu joogaharjutused, piisav uni ja erinevad mängud. On näha, et me peame parandama mälu ja Cistanche deserticola võib oluliselt parandada mälu, sest Cistanche deserticola on traditsiooniline Hiina ravimmaterjal, millel on palju ainulaadseid toimeid, millest üks on mälu parandamine. Hakkliha tõhusus tuleneb selles sisalduvatest erinevatest toimeainetest, sealhulgas hapetest, polüsahhariididest, flavonoididest jne. Need koostisosad võivad aju tervist mitmel viisil edendada.
Klõpsake nuppu Tea 10 võimalust mälu parandamiseks
Tegime katseid, võttes arvesse � kohtumisi viimase 2 aasta jooksul, kus � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100}. Keskmine kohtumiste arv patsiendi kohta sel perioodil oli 21 ja 90. protsentiil oli 56.
Kohtumiste arvu erinevuse tulemuseks oli tunnusvektorite mitteühtlane pikkus. Seega kuni 6 0 kohtumist arvestavas katses polsterdati andmete puudumisel funktsioonivektorid nullidega tagamaks, et kõigi patsientide tunnusvektorid esindavad 60 kohtumist.
Selles uuringus püstitati hüpotees, et DL-mudelid ületavad suurel võrdlusalusel traditsioonilisi mudeleid, mistõttu viidi läbi erinevate hindamismõõdikutega võrdlev analüüs, et hinnata ja võrrelda DL-algoritme traditsiooniliste algmudelitega.
Veelgi enam, et uurida domeenialaste teadmiste tähtsust, koolitasime ja katsetasime mudeleid kõigi EHR-i andmekogusse kuuluvate laboriuuringutega ning võrreldi mudelitega, mida on koolitatud ja testitud laboriuuringute alamhulgaga, mis põhines varasematel dokumentidel, mis kajastasid seost tagasivõtmisega (seerumi albumiin, anioon). tühimik, arteriaalne pH, bilirubiin, vere uurea lämmastik, süsinikdioksiid, seerumi kreatiniin, vere glükoos, hematokrit, laktaat, PaCO2, PaO2, seerumi naatrium, troponiin-I, venoosne pH ja valgevereliblede arv).11, 34 Kasutades ainult Laboratoorsete uuringute alamhulk võib olla kasulik, vähendades mõõtmeid.
Patsiendid sorteeriti juhuslikult 3 mittekattuvat alamhulka, kus 70% kasutati koolituseks, 10% valideerimiseks ja 20% testimiseks. Kasutasime ristvalideerimise meetodeid, et leida hüperparameetrid, mis annavad parimaid tulemusi.
LSTM-i ja GRU puhul muutsime ruudustikuotsingu abil neuronite arvu, väljalangemist, partii suurust ja ajastute arvu. Kirjanduse põhjal varieerus läbiviidud katsetes väljalangevuse protsent 0 kuni 50 ja neuronite arv vahemikus 32 kuni 512.
Valisime väljalangevuse 0.1, 128 neuronit, partii suurus 512 ja 16 epohhi LSTM-i jaoks ja 12 epohhi GRU jaoks, kuna kahesuunaline GRU läheneb kiiremini kui 1-way LSTM.Sigmoid aktiveerimisfunktsioon ja Adam optimeerijat kasutati. Traditsioonilised mudelid viimistleti samuti ja valiti parima tulemuse andnud hüperparameetrid.
Toimivusmõõdikud ja analüüs
Meie uuringus kasutatud meetodite toimivust hinnati viie levinud mõõdiku alusel: vastuvõtja tööomaduste kõvera alune pindala (AUROC), tagasikutsumine (tuntud ka kui tundlikkus), spetsiifilisus, F{0}}skoor ja täpsus. Nende hindamismõõdikute formaalsed definitsioonid on levinud ja kergesti leitavad.34
Pakutud mudeli toimivuse stabiilsuse ja olulisuse hindamiseks viidi läbi statistiline olulisuse analüüs.Valisime koolituseks ja testimiseks juhuslikult erinevad patsiendid ning kordasime juhuslikku valikut 10 korda, et genereerida keskmised jõudlusnäitajad ja 95% usaldusintervallid.
LSTM-i võrreldi t-testi abil kõige paremini toimiva traditsioonilise mudeliga (RF). p-väärtus<0.05 was considered statistically significant. The Temple University Institutional Review Board approved the protocol.
Tulemused
Kokku analüüsiti 36 641 patsienti 2 836 569 kohtumisega. 9130 patsienti, kellel oli vähemalt üks tagasivõtt, ja 27 511 ilma tagasivõtuta. Kohtumiste arvu mõju kahe eelneva aasta jooksul hinnati viie ennustusmudeli puhul, kus � kohtumisi peeti iga mudeli jaoks, ja katseid korrati � ∈ {1, 2, 4, 8, 15, 30, 60, 80, 100} jaoks. .
Joonisel 2 on kujutatud pakutud mudeli LSTM AUROC võrreldes traditsiooniliste mudelitega mitmesuguste kohtumiste korral. Samuti teostati kahesuunaline GRU, kuid see jäeti välja, kuna see saavutas identse AUROCto LSTM-i. LSTM edestas traditsioonilisi mudeleid suurel võrdlusalusel kõigis katsetes, kus oli erineva arvu juhtumeid.
LSTM-i mudelid suurendasid AUROC-i keskmiselt {{0}}.06 võrra, võrreldes kõige paremini toimivate traditsiooniliste mudelitega RF. Eksperimendid näitavad, et ühe eelneva kohtumise põhjal sissepääsu ennustamine ei ole piisav ja andis palju madalama jõudluse (0,7 DL-mudelite puhul ja 0,68 kõige paremini toimiva traditsioonilise mudeli puhul).
DL-mudelid saavutasid platoo, kui neid koolitati 30kohtumise andmete põhjal, pärast seda paranes see minimaalselt. DLalgorithm suurendas AUROC 0,07 võrra võrreldes kõige paremini toimiva traditsioonilise RF mudeliga, kui kasutati optimaalset kohtumiste arvu, 80.
Tabelis 1 on näidatud LSTM-i ja traditsiooniliste mudelite toimivus, kasutades kõiki laborikatseid kuni 80 viimase kahe aasta jooksul tehtud katsest. Üldiselt olid usaldusvahemikud väga väikesed (<0.02), indicating a high degree of precision around the means.
Pakutud meetod LSTM sai keskmise AUROC väärtuseks {{0}},79 95% usaldusväärsusega 0,001. P-väärtus, mis saadi LSTM AUROCi võrdlemisel paremuselt teise mudeliga (RF) oli<0.0001, hence, LSTM performance
was significantly greater than the traditional models.
LSTM-i mudelid saavutasid tagasikutsumise/tundlikkuse väärtuseks 0,81, mis näitab, et tulemuslikkus oli tõeliste positiivsete ennustamisel (st tagasivõttud patsientide õigel klassifitseerimisel) üsna tugev.
Kõik meie uuringus kasutatud mudelid saavutasid väga hea spetsiifilisuse (st tegeliku negatiivse määra). Seega suutsid koolitatud mudelid hästi ennustada patsiente, keda tõenäoliselt tagasi ei võeta. LSTM saavutas F{{0}}skoori 0,80, mis näitab väga head võimet eristada patsiente, kes tagasi võetakse või mitte.
Et teha kindlaks, kas valdkonnateadmised laboriuuringute kohta on kasulikud, viisime läbi kaks erinevat katset, kus koolitasime ja testisime mudelit 16 ainulaadse laboriuuringu alamhulga põhjal, mis valiti domeeniteadmiste põhjal, võrreldes kõigi andmetes sisalduvate 981 ainulaadse laboriuuringuga.
Laboratoorsete tulemuste seostamiseks iga laborikoodiga kasutati ja muudeti ühte kuuma kodeerimistehnikat. Loodi pikk unikaalne laborikoodide hulk������_���_�����. Iga kohtumise jaoks loodi nullide massiiv �, mis on sama pikkusega kui ������_���_�����. �koosnes iga laborikatse sama indeksi tulemusest in������_���_�������, et seostada tulemus antud laborikoodiga. Laboratoorsete tulemusteta kohtumisel oleks null null, mis näitab, et antud kohtumise jaoks ei tehtud laboratoorset testi.
Kuna enamik kohtumisi sisaldas<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).
Arutelu
Selles retrospektiivses 36 563-st diabeediga patsiendist koosnevas kohordis edestasid DL-mudelid RF-, MLP-, AdaBoosti- ja LR-mudeleid, ennustades planeerimata, kõikidel põhjustel 30-päevast tagasivõtmist. Optimaalne LSTM-mudel andis AUROC väärtuseks 0.79 ja täpsuseks 0.81, mis näitab väga head jõudlust. Varasemate kohtumiste arvu ja mudeli jõudluse vahelise seose väljaselgitamiseks kavandatud katsed näitavad, et LSTM-i mudelite AUROC suurenes kohtumiste arvu suurenedes ja saavutas 30 kohtumise. Traditsiooniliste mudelite jõudlus kasvas vähemal määral kuni varasemate kohtumiste arvuni 15 või 30, seejärel kas platoo (RF) või langes (MLP, AdaBoost, LR), kui kohtumiste arv suurenes. Lõpuks andis LSTM-mudel, mis sisaldas 16 valdkonna teadmiste alusel valitud laboritestist koosnevat komplekti, samaväärse jõudluse LSTM-mudeliga, mis hõlmas kõiki saadaolevaid laboriteste.
Meie uuringus toimisid DL-mudelid paremini kui traditsioonilised mudelid. Oleme teadlikud neljast uuringust, milles võrreldi DL-mudeleid traditsiooniliste mudelitega diabeedihaigete tagasivõtmise riski ennustamiseks. Kaks neist uuringutest näitasid DL-lähenemisviiside selget eelist traditsiooniliste ML-mudelite ees,23,24, samas kui kahes uuringus leiti DL-lähenemisviiside marginaalne kasu.25,27 Nende DL-mudelite jõudlus varieerus AUROC-i 0-ga.61-0 0,97 ja täpsus 0.69-0,95, millest ükski ei ületanud parimate traditsiooniliste ML-i mudelite oma, mille AUROC oli koguni 0,99 ja täpsus {{13} }.99.23,27 Mudeli jõudluse võrdlust kõigis nendes uuringutes piirab aga jõudlusnäitajate standardiseeritud aruandluse ja testimise muutuvate lähenemisviiside puudumine. Meie uuring, mida vaadeldi varasemate uuringutega, milles võrreldi DL-i otseselt traditsiooniliste ML-mudelitega, viitab sellele, et DL-i lähenemisviisid annavad selles populatsioonis tavaliselt paremaid tulemusi.
Me ei ole teadlikud teistest dokumentidest, mis on uurinud seost varasemate kohtumiste arvu ja tagasivõturiski mudeli tulemuslikkuse vahel diabeediga patsientidel. Seotud töös aga uuriti ühes artiklis, kuidas haigestunud rasvunud patsientide tagasivõturiski prognoosimise mudelite toimivus varieerus, kuna haiglaravide arv kasvas minimaalselt 2-lt 5,35 AUROC-lt 2-lt 3-le haiglaravile, misjärel platsioodne. Teises laialdaselt seotud uuringus avastasime, et LR-mudelite jõudlus diabeediga patsientide tagasivõturiski ennustamiseks kippus suurenema, kuna valimi suurus suurenes 2,000-lt 6-le000, seejärel tõusis platoo. .36 See uuringute kogum viitab sellele, et katsetamine erinevate kohtumiste arvu ja valimi suurustega võib paljastada lävesid, mis võivad optimeerida andmete analüüsi, tasakaalustades teabe kogust dimensioonidega.
Samuti ei ole me teadlikud teistest uuringutest, milles võrreldi tagasivõtmise riskimudeleid, kasutades valdkonnateadmiste põhjal valitud laboratoorseid andmeid, kõigi diabeediga patsientide laboratoorsete andmetega. On olemas kompromiss kõigi laboriandmete kaasamise vahel, mille tulemuseks on suurem dimensioon ja arvutuslikult kallimad mudelid, ning valdkonnaeksperdi kaasamine laboriandmete alamhulga valimiseks, mis võib olla kulukas ja vähem teostatav. Sarnaselt varasemate kohtumiste arvuga, mille järel mudeli jõudlus ei paranenud, viitab järeldus, et mudeli jõudlus laboriandmete alamhulgaga oli samaväärne kõigi laboriandmetega mudeliga, et selles valdkonnas on sarnane platoo. Tuleks uurida, kas see nähtus laieneb teistele patsientide rühmadele või mitte.
Esitletud LSTM-i mudelid, mida me nimetame eDERRITM-iks, on meie varasemate mudelite DERRITM ja DERRIplus laiendus.8,11 AUROC-i osas toimis eDERRITM-i mudel paremini kui DERRITM, kuid halvem kui DERRIplus. Kahjuks ei saa praeguses uuringus kolme mudeli toimivust otseselt võrrelda, kuna andmestik ei sisalda sihtnumbrit, tööstaatust ega maksja teavet. Erinevalt mudelitest DERRITM ja DERRIplus on eDERRITM-i mudelid välja töötatud üldiselt kättesaadavate EHR-andmetega, nagu demograafia, elutähtsad näitajad, diagnostika- ja protseduurikoodid, ravimid, laboratoorsed testid ja haldusandmed, nagu on määratletud PCORneti CDM-iga.29 CDM standardib EHR-andmete abstraktsiooni, seda kasutavate mudelite üldistavuse ja skaleeritavuse suurendamine. Plaanime tõlkida eDERRITM-i EHR-süsteemi manustatud rakenduseks, mis genereerib automaatselt tagasivõturiski prognoose diabeedihaigete haiglaravil.
Lisaks CDM-põhise andmestiku üldistatavusele on praegusel uuringul ka muid märkimisväärseid tugevusi. Andmekogum on võetud patsientidelt, kes viibisid haiglaravil ajavahemikus 1.07.2010–31.12.2020, mis on palju värskem kui teiste praegu avaldatud diabeedihaigete tagasivõtmise riskimudelite jaoks kasutatud andmestik. Erinevalt enimkasutatavast andmekogumist, mis hõlmas ainult diabeedi diagnoosiga haiglas esinemisi ja alla 15-päevase viibimise kestust, hõlmas praegune andmestik kõiki kohtumiste tüüpe, sõltumata seotud diagnoosist, hõlmates nii statsionaarseid kui ka ambulatoorseid andmeid. Lõpuks andis 36 563 patsiendist koosnev valim 2 836 569 kohtumisega piisavalt andmeid DL-mudelite väljatöötamiseks ja kuni 100 varasema kohtumisega katsete läbiviimiseks.
On mõningaid piiranguid, mida tasub tunnistada. Andmed võeti ühest linna akadeemilisest tervishoiusüsteemist. Seetõttu ei ole mudelite üldistatavus teistele populatsioonidele teada ja see nõuab testimist. Patsiendi ja haigla sihtnumbrite puudumine välistab patsiendi koduse sihtnumbri ja haigla vahelise kauguse hindamise, mis on teadaolevalt seotud tagasivõtmise riskiga.8,11 Lõpuks ei registreeritud tagasivõtmist teistesse haiglatesse.
Järeldus
Töötati välja väga hea jõudlusega LSTM-mudel, mis ennustab diabeediga patsientide plaanivälist 30-päevast tagasivõtmist ja seda testiti sisemiselt. LSTM-i mudelid ületavad selles populatsioonis sisseregistreerimise ennustamisel traditsioonilisi mudeleid. LSTM-i mudeli jõudlus suureneb alguses eelnevate kohtumiste arvu suurenemise ja seejärel platoode suurenemisega. Hoolikalt valitud laborifunktsioonid võivad anda prognoositavaid mudeleid, mille jõudlus on võrdne kõikidel saadaolevatel laboriuuringutel põhinevate mudelite omaga. Mudeli väliseks kinnitamiseks on vaja täiendavat uuringut.
Tänuavaldused
Seda uuringut toetas Riiklik Terviseinstituut (NIH) stipendiuminumbriga R01DK122073.
Viited
1. Benbassat J, Taragin M. Haigla tagasivõtt kui tervishoiu kvaliteedi mõõt: eelised ja piirangud. Sisehaiguste arhiiv. 2000;160:1074-1081.
2. Rubin DJ. Diabeediga patsientide tagasivõtmine haiglasse. Praegused diabeediaruanded. 2015;15:1-9.
3. Ostling S, Wyckoff J, Ciarkowski SL, Pai CW, Choe HM, Bahl V jt. Suhe suhkurtõve ja 30-päevaste tagasivõtmise määra vahel. Kliiniline diabeet ja endokrinoloogia. 2017; 3:3.
4. Enomoto LM, Shrestha DP, Rosenthal MB, Hollenbeak CS, Gabbay RA. Riskitegurid, mis on seotud II tüüpi diabeediga patsientide 30-päevase tagasivõtmise ja seal viibimise pikkusega. J Diabeedi tüsistused. 2017;31:122-127.
5. AHRQ, Tervishoiukulude ja kasutamise projekti (hcup) riiklik statsionaarne valim (nis). , 2018.
6. ADA. Diabeedi majanduslikud kulud USA-s Aastal 2017. Diabetes Care. 2018;41:917-928.
7. Rubin DJ, Shah AA. Diabeediga patsientide ägeda ravi taaskasutamise prognoosimine ja ennetamine. Praegused diabeediaruanded. 2021;21.
8. Rubin DJ, Handorf EA, Golden SH, Nelson DB, McDonnell ME, Zhao H. Uue tööriista väljatöötamine ja valideerimine diabeediga patsientide haiglasse tagasivõtmise riski ennustamiseks. Endokripraktika. 2016;22:1204-1215.
9. Rubin DJ, Recco D, Turchin A, Zhao H, Golden SH. Diabeedi varajase tagasivõtmise riski indikaatori väline valideerimine (Terri ()). Endokripraktika. 2018;24:527-541.10. Alamer AA, Patanwala AE, Aldayen AM, Fazel MT. Kahe 30-päevase tagasivõtmise ennustusmudeli valideerimine ja võrdlemine diabeediga patsientidel. Endokripraktika. 2019;25:1151-1157.
For more information:1950477648nn@gmail.com
