Identifikace pacientů s exacerbacemi CHOPN a predikce rizika opětovného přijetí pomocí strojového učení

Pětina pacientů propuštěných z nemocnice pro exacerbace CHOPN je zpětně přijata do 30 dnů.(1, 3, 4) I když se terapie a pokyny pro péči zlepšily, implementace pokynů je stále špatná.(5). Implementace vhodných standardů prostřednictvím běžného nemocničního pracovního postupu představuje značné problémy. Jednou z hlavních výzev je zajistit včasnou identifikaci všech vhodných pacientů s exacerbacemi CHOPN.(6) Dalším hlavním problémem je, že zaměstnanci jsou často příliš zaneprázdněni a nemají čas provádět praktiky založené na důkazech, které snižují počet zpětných přebírání.(6) Intenzivní case management navíc nelze nabídnout všem kvůli omezeným zdrojům. Proto je důležité, abychom byli schopni identifikovat jak osoby, které byly přijaty s CHOPN brzy, tak ty, u kterých je vysoké riziko opětovného přijetí.

Exacerbace CHOPN nemusí být zpočátku snadno rozpoznatelné a trvá několik dní, než se projeví. Příznaky exacerbací, jako je dušnost, nejsou specifické a příznaky, jako jsou infiltráty na rentgenovém snímku hrudníku, mohou být způsobeny jednou nebo více diagnózami. Kromě toho mohou exacerbace CHOPN vyvolat nebo být vyvolány jinými chorobami. V důsledku toho není neobvyklé, že přijímající lékaři přijímají pacienty s mnoha provizorními diagnózami srdečního selhání, zápalu plic, exacerbace CHOPN a dalších. Rozlišování osob s exacerbacemi CHOPN je dále zmateno elektronickými zdravotními záznamy (EHR), které nemají diagnózy uvedené jako kódované prvky. Konečným výsledkem je, že pro zbytek meziprofesního týmu je obtížné najít pacienty s CHOPN v rané fázi přijetí. To bylo v některých amerických nemocnicích řešeno tím, že poskytovatelé nezdravotnických služeb měli revizní tabulky k identifikaci pacientů přijatých s CHOPN.(7) Alternativním přístupem bylo strojové učení a zpracování přirozeného jazyka. To bylo s určitým úspěchem zavedeno u pacientů se srdečním selháním, ale u lidí s CHOPN se toho udělalo jen málo.(13) V jednom pilotním programu pomohlo zpracování přirozeného jazyka identifikovat pacienty přijaté s CHOPN.(7)

Aby bylo možné zaměřit omezené zdroje na ty, kteří to nejvíce potřebují, bylo by užitečné dále identifikovat pacienty s vysokým rizikem opětovného přijetí. To by byl první krok k určení, jak zavést účinné strategie ke snížení míry zpětného přebírání osob. Pro lékařské a chirurgické pacienty jsou vyvinuty predikční modely readmise, včetně skóre LACE a skóre NEMOCNICE.(8, 9) Zdá se, že ty, které byly studovány, nevykazují v populaci CHOPN dobré výsledky.(10) I když byly identifikovány faktory, které pomáhají předvídat readmisi CHOPN, modely nebyly plně validovány.(11, 12) Výkon lze zlepšit použitím nestrukturovaných dat, jako jsou poznámky o pokroku lékaře a souhrny propuštění.

Včasná identifikace osob s CHOPN a znalost těch, kteří jsou ohroženi readmisí, mohou zlepšit zdravotní výsledky. Zafar a kol. prokázali, že komplexní balíček péče o CHOPN, který se skládal z 1. hodnocení pomocí inhalátoru, 2. vhodného režimu inhalátoru, 3. časného sledování propuštění a 4. pokynů pro propuštění zaměřených na pacienta, snížil počet readmisí.(14) Identifikace osob s vysokým rizikem readmise by mohla usnadnit zařazení do intenzivního řízení případů. Proto provedeme současnou studii s cílem identifikovat pacienty přijaté s akutní exacerbací CHOPN a stratifikovat pacienty podle rizika opětovného přijetí

Metody:

S využitím retrospektivních dat z Univerzitní zdravotnické sítě (UHN) vytvoříme datový soubor přijatých na všeobecné interní lékařství za posledních 5 let. Odhadujeme, že to bude zahrnovat přibližně 40 000 přijetí, z nichž 2 000 bude mít nejzodpovědnější diagnózu exacerbace CHOPN. Sada dat bude obsahovat jak strukturovaná kódovaná data, tak i nestrukturovaná textová data. Kódovaná data budou zahrnovat věk, pohlaví, objednané léky, přidružená onemocnění, laboratorní hodnoty a testy plicních funkcí. Nestrukturovaná textová data budou obsahovat poznámky v EHR: poznámky z kliniky, shrnutí propuštění, diagnózy přijetí, poznámky o pokroku a poznámky z našeho podepisovacího systému.

Analýza: K vývoji modelu použijeme několik různých metod včetně logistické regrese, hlubokých neuronových sítí a konvolučních neuronových sítí. Konkrétně také použijeme statistické algoritmy strojového učení pro detekci událostí pomocí obousměrných neuronových sítí s krátkodobou pamětí napříč různými typy vstupů (např. banky Fourierových filtrů, kepstrální koeficienty Mel-frekvenční, vlnky a nezpracovaný zvuk). Využijeme také tradiční metody jako dynamické Bayesovy sítě a podmíněná náhodná pole. Na straně textové analýzy identifikujeme klíčové fráze, které předpovídají readmisi. Jedním z přístupů bude použití analýzy diskurzu k oddělení „jádrových“ frází z textu na pozadí. Vytvoříme také "společné" prediktivní modely, které kombinují rysy z nestrukturovaného textu a rysy ze strukturovaných kódovaných dat. Použijeme standardní Oblast pod křivkou ROC k posouzení výkonnosti modelu a použijeme křížovou validaci, abychom minimalizovali dopad nadměrného vybavení. Nakonec pak ověříme naše modely pomocí datové sady z různých center, abychom určili, zda jsou tyto výsledky platné a zobecnitelné.

Očekávané výsledky: Vývoj dvou ověřených modelů založených na datech EHR: jeden pro přesnou identifikaci pacientů s AECHOPD a druhý pro přesnou identifikaci pacientů s vysokým rizikem opětovného přijetí do 30 dnů.