Identifikation af patienter indlagt med KOL-eksacerbationer og forudsigelse af genindlæggelsesrisiko ved hjælp af maskinlæring

En femtedel af patienter, der udskrives fra hospitalet på grund af KOL-eksacerbationer, bliver genindlagt inden for 30 dage.(1, 3, 4) Mens behandlings- og plejeretningslinjer er blevet forbedret, er implementeringen af ​​retningslinjerne stadig dårlig.(5) Implementering af passende standarder gennem sædvanlig hospitalsarbejdsgang giver betydelige udfordringer. En af de største udfordringer er at sikre, at alle kvalificerede patienter med KOL-eksacerbationer identificeres rettidigt.(6) En anden stor udfordring er, at personalet ofte har for travlt og ikke har tid til at udføre evidensbaseret praksis, der reducerer genindlæggelser.(6) Desuden kan intensiv sagsbehandling ikke tilbydes alle på grund af begrænsede ressourcer. Derfor er det vigtigt, at vi er i stand til at identificere både personer, der bliver indlagt med KOL tidligt, samt dem, der har høj risiko for genindlæggelse.

KOL-eksacerbationer kan til tider ikke let genkendes i starten og tage dage, før de bliver tydelige. Symptomer på eksacerbationer såsom åndenød er ikke specifikke, og tegn som røntgenbilleder af thorax kan skyldes en eller flere diagnoser. Ydermere kan KOL-eksacerbationer udløse eller udløses af andre sygdomme. Som følge heraf er det ikke ualmindeligt, at indlagte læger indlægger patienter med flere foreløbige diagnoser hjertesvigt, lungebetændelse, KOL-eksacerbation og meget mere. At skelne personer med KOL-eksacerbationer forvirres yderligere af elektroniske sundhedsjournaler (EPJ'er), der ikke har diagnoser opført som kodede elementer. Slutresultatet er, at det er svært for resten af ​​det tværprofessionelle team at finde KOL-patienter tidligt i indlæggelsen. Dette er blevet løst på nogle amerikanske hospitaler ved at lade ikke-sundhedsudbydere gennemgå diagrammer for at identificere patienter indlagt med KOL.(7) En alternativ tilgang har været maskinlæring og naturlig sprogbehandling. Dette er blevet implementeret med en vis succes for patienter med hjertesvigt, men lidt er blevet gjort for mennesker med KOL.(13) I et pilotprogram hjalp naturlig sprogbehandling med at identificere patienter indlagt med KOL.(7)

For at målrette knappe ressourcer til dem, der har mest brug for det, ville det være nyttigt at identificere patienter med høj risiko for genindlæggelse yderligere. Dette ville være det første skridt til at bestemme, hvordan man implementerer effektive strategier til at reducere tilbagetagelsesraterne. Der er genindlæggelsesforudsigelsesmodeller udviklet til medicinske og kirurgiske patienter, herunder LACE-score og HOSPITAL-score.(8, 9) Desværre ser de, der er blevet undersøgt, ikke ud til at klare sig godt i KOL-populationen.(10) Mens der er identificeret faktorer, der hjælper med at forudsige KOL-genindlæggelse, er modellerne ikke blevet fuldt validerede.(11, 12) Ydeevnen kunne forbedres ved at bruge ustrukturerede data, såsom klinikerstatusnotater og udskrivelsesoversigter.

Tidlig identifikation af personer med KOL og viden om dem, der er i risiko for genindlæggelse, kan forbedre helbredsresultaterne. Zafar et al. demonstreret, at en omfattende KOL-plejepakke, der bestod af 1. inhalatorvurdering, 2. passende inhalatorregime, 3. opfølgning på tidlig udskrivning og 4. patientcentrerede udskrivningsinstruktioner reducerede genindlæggelser.(14) Identifikation af personer med høj risiko for tilbagetagelse kan lette indskrivningen til intensiv sagsbehandling. Derfor vil vi gennemføre det aktuelle studie for at identificere patienter indlagt med akutte eksacerbationer af KOL og stratificere patienter efter risiko for genindlæggelse

Metoder:

Ved hjælp af retrospektive data fra University Health Network (UHN) vil vi oprette et datasæt over indlæggelser til Almen Intern Medicin for de seneste 5 år. Vi anslår, at dette vil omfatte cirka 40.000 indlæggelser, hvoraf 2.000 vil have en mest ansvarlig diagnose af en KOL-eksacerbation. Datasættet vil indeholde både strukturerede kodede data såvel som ustrukturerede tekstdata. Kodede data vil omfatte alder, køn, bestilt medicin, komorbiditeter, laboratorieværdier og lungefunktionstest. Ustrukturerede tekstdata vil omfatte noter i EPJ: lægekliniknotater, udskrivelsesoversigter, indlæggelsesdiagnoser, statusnotater og noter fra vores signover-system.

Analyse: Vi vil bruge flere forskellige metoder til at udvikle modellen, herunder logistisk regression, dybe neurale netværk og konvolutionelle neurale netværk. Specifikt vil vi også bruge statistiske maskinlæringsalgoritmer til hændelsesdetektion ved hjælp af tovejs, langtidshukommelsesneurale netværk på tværs af en række forskellige inputtyper (f. Vi vil også bruge traditionelle metoder såsom dynamiske Bayes-netværk og betingede tilfældige felter. På tekstanalysesiden vil vi identificere nøglesætninger, der forudsiger genindlæggelse. En tilgang vil være at bruge diskursanalyse til at udskille "kerne"-sætninger fra baggrundstekst. Vi vil også bygge "fælles" prædiktive modeller, der kombinerer funktioner fra den ustrukturerede tekst og funktioner fra de strukturerede kodede data. Vi vil bruge standardområdet under ROC-kurven til at vurdere modellens ydeevne og bruge krydsvalidering for at minimere virkningen af ​​overfitting. Til sidst vil vi så validere vores modeller ved hjælp af et datasæt fra forskellige centre for at afgøre, om disse resultater er valide og generaliserbare.

Forventede resultater: Udviklingen af ​​to validerede modeller baseret på EPJ-data: den ene til nøjagtigt at identificere patienter med AECOPD og den anden til nøjagtigt at identificere patienter med høj risiko for genindlæggelse inden for 30 dage.