ER2 a hluboké učení pro predikci nepříznivých zdravotních výsledků

Návštěva pohotovostního oddělení (ED) pro staršího dospělého je vysoce rizikový lékařský zákrok. Mezi známé nežádoucí příhody (AE) patří delirium, prodloužená ED nebo pobyt v nemocnici, hospitalizace, opakované návštěvy ED a smrt v nemocnici. K tomu dochází v rostoucím podílu u návštěvníků ED starších 65 let, kteří jsou zastoupeni v návštěvách ED.

Nástroje predikující AE u ED mají prvořadý význam pro pomoc při rozhodování o třídění a dispozici pacienta. Mohou pomoci identifikovat oblasti neuspokojených potřeb seniorů, aby bylo možné vyvinout cílené akce. Vícenásobné skórovací systémy včetně „Programme de recherche sur l'integration des services de maintien de l'autonomie“ (PRISMA-7), identifikace seniorů v ohrožení (ISAR), klinické škály křehkosti (CFS), krátkého geriatrického hodnocení (BGA) mají byly rozsáhle studovány v ED a dalších prostředích pro různé výsledky. Tyto nástroje spoléhají na jednoduchý bodovací systém, který může minimálně vyškolený personál spolehlivě a rychle spravovat. Je nepravděpodobné, že by to bylo jinak použitelné v každodenní klinické praxi.

Vzhledem k tomu, že přesnost předpovědí se v posledním desetiletí výrazně nezlepšila, jsou možná nutné nové analytické strategie. Současný humbuk kolem hlubokého učení pochází z lepšího a levnějšího hardwaru a dostupnosti jednoduchých a open-source knihoven podporovaných velkými společnostmi a širokou komunitou uživatelů. Implementace algoritmů hlubokého učení (DL) je tedy nyní otevřena široké škále nastavení, včetně lékařské péče ve standardní klinické praxi. Ukázalo se, že DL je přesnější než průměrný certifikovaný specialista na velmi specifické úkoly. Predikce různých klinických výsledků přinesla méně dramatické výsledky, možná protože tradiční (non-DL) modely již předčily klinické lékaře u mnoha chorobných stavů. Publikované DL přístupy aplikované na predikci výsledku na ED se zaměřily na akutně nemocné dospělé obecně, na specifické podmínky nebo administrativní záležitosti, jako je přeplněnost oddělení příjmu nebo ED. Žádný se nezaměřoval na konkrétní věkovou skupinu jako starší návštěvníci ED.

Důležitou výhradou mnoha přístupů DL je interpretace výsledků. Aby bylo možné vyvinout intervence založené na cílených rysech spojených s AE v daném modelu, musí být poněkud transparentní. Pokud více vrstev NN zlepšuje predikci ve srovnání s lineární regresí, často neposkytují žádný klinicky relevantní pohled na to, jak a které proměnné interagují, aby poskytly tento výsledek.