ER2 og Deep Learning til forudsigelse af ugunstige sundhedsresultater

Et akutbesøg (ED) for en ældre voksen er en højrisiko medicinsk intervention. Kendte bivirkninger (AE) omfatter delirium, forlænget ED eller hospitalsophold, hospitalsindlæggelse, tilbagevendende ED-besøg og hospitalsdød. Disse sker i en stigende andel af ED-besøgende over 65 år, som er repræsenteret i ED-besøg.

Værktøjer, der forudsiger AE'er i ED er af afgørende betydning for at hjælpe med beslutningstagning om patientens triage og disposition. De kan hjælpe med at identificere områder med udækkede behov for seniorer for at udvikle målrettede handlinger. Flere scoringssystemer, herunder "Programme de recherche sur l'intégration des services de maintien de l'autonomie" (PRISMA-7), Identifikation af seniorer i risiko (ISAR), Clinical Frailty Scale (CFS), Brief Geriatric Assessment (BGA) har blevet grundigt undersøgt i ED og andre indstillinger for forskellige resultater. Disse værktøjer er afhængige af et simpelt scoringssystem, som minimalt uddannet personale kan administrere pålideligt og hurtigt. At gøre andet er usandsynligt anvendeligt til daglig klinisk praksis.

Da forudsigelsesnøjagtigheden ikke er blevet væsentligt forbedret i det sidste årti, er det måske nødvendigt med nye analysestrategier. Den nuværende hype omkring deep learning kommer fra bedre og billigere hardware og tilgængeligheden af ​​simple og open source-biblioteker understøttet af store virksomheder og et bredt fællesskab af brugere. Derfor er implementering af deep learning (DL) algoritmer nu åben for en bred vifte af indstillinger, herunder medicinsk behandling i en standard klinisk praksis. DL har vist sig at være mere præcis end den gennemsnitlige bestyrelsescertificerede specialist på meget specifikke opgaver. Forudsigelse af forskellige kliniske resultater har produceret mindre dramatiske resultater, måske da traditionelle (ikke-DL) modeller allerede overgik klinikere for mange sygdomstilstande. Publicerede DL-tilgange anvendt til resultatforudsigelse i ED har fokuseret på akut syge voksne generelt, specifikke tilstande eller administrative problemer såsom indlæggelsesafdeling eller overfyldning af ED. Ingen har målrettet en specifik aldersgruppe som ældre ED besøgende.

En vigtig advarsel til mange DL-tilgange er fortolkning af resultater. For at udvikle interventioner baseret på målrettede funktioner forbundet med AE'er i en given model, skal det være noget gennemsigtigt. Hvis flere lag af NN'er forbedrer forudsigelse sammenlignet med lineær regression, giver de ofte ingen klinisk relevant indsigt i, hvordan og hvilke variabler interagerer for at give dette resultat.