Identifizierung von Patienten, die mit COPD-Exazerbationen aufgenommen wurden, und Vorhersage des Wiederaufnahmerisikos mithilfe von maschinellem Lernen

Ein Fünftel der Patienten, die wegen COPD-Exazerbationen aus dem Krankenhaus entlassen werden, werden innerhalb von 30 Tagen wieder aufgenommen.(1, 3, 4) Obwohl sich Therapien und Pflegeleitlinien verbessert haben, bleibt die Umsetzung der Leitlinien unzureichend.(5) Die Umsetzung geeigneter Standards durch den üblichen Krankenhausablauf stellt erhebliche Herausforderungen dar. Eine der größten Herausforderungen besteht darin, sicherzustellen, dass alle geeigneten Patienten mit COPD-Exazerbationen rechtzeitig identifiziert werden.(6) Eine weitere große Herausforderung besteht darin, dass die Mitarbeiter oft zu beschäftigt sind und keine Zeit haben, evidenzbasierte Praktiken anzuwenden, die die Zahl der Wiedereinweisungen reduzieren.(6) Darüber hinaus kann aufgrund begrenzter Ressourcen ein intensives Case Management nicht allen angeboten werden. Daher ist es wichtig, dass wir in der Lage sind, sowohl Personen, die mit COPD aufgenommen werden, als auch Personen mit einem hohen Risiko für eine Wiederaufnahme frühzeitig zu identifizieren.

COPD-Exazerbationen sind manchmal zunächst nicht leicht zu erkennen und es dauert Tage, bis sie sichtbar werden. Symptome von Exazerbationen wie Kurzatmigkeit sind nicht spezifisch und Anzeichen wie Infiltrate auf Röntgenaufnahmen des Brustkorbs können auf eine oder mehrere Diagnosen zurückzuführen sein. Darüber hinaus können COPD-Exazerbationen andere Erkrankungen auslösen oder durch diese ausgelöst werden. Infolgedessen ist es nicht ungewöhnlich, dass behandelnde Ärzte Patienten mit mehreren vorläufigen Diagnosen wie Herzinsuffizienz, Lungenentzündung, COPD-Exazerbation und mehr aufnehmen. Die Unterscheidung von Personen mit COPD-Exazerbationen wird durch elektronische Gesundheitsakten (EHRs) weiter verfälscht, die keine Diagnosen als codierte Elemente enthalten. Das Endergebnis ist, dass es für den Rest des interprofessionellen Teams schwierig ist, COPD-Patienten früh bei der Aufnahme zu finden. Dies wurde in einigen US-Krankenhäusern dadurch angegangen, dass Nicht-Gesundheitsdienstleister Diagramme überprüfen ließen, um Patienten zu identifizieren, die wegen COPD aufgenommen wurden.(7) Ein alternativer Ansatz war maschinelles Lernen und die Verarbeitung natürlicher Sprache. Dies wurde mit einigem Erfolg für Patienten mit Herzinsuffizienz umgesetzt, aber wenig wurde für Menschen mit COPD getan.(13) In einem Pilotprogramm half die Verarbeitung natürlicher Sprache bei der Identifizierung von Patienten, die mit COPD aufgenommen wurden.(7)

Um die knappen Ressourcen für diejenigen einzusetzen, die sie am dringendsten benötigen, wäre es hilfreich, Patienten mit hohem Wiederaufnahmerisiko weiter zu identifizieren. Dies wäre der erste Schritt, um festzustellen, wie wirksame Strategien zur Senkung der Wiederaufnahmeraten umgesetzt werden können. Es gibt Wiederaufnahme-Vorhersagemodelle, die für medizinische und chirurgische Patienten entwickelt wurden, einschließlich des LACE-Scores und des HOSPITAL-Scores.(8, 9) Leider scheinen diejenigen, die untersucht wurden, in der COPD-Population nicht gut abzuschneiden.(10) Während Faktoren identifiziert wurden, die helfen, eine COPD-Wiederaufnahme vorherzusagen, wurden die Modelle nicht vollständig validiert.(11, 12) Die Leistung könnte durch die Verwendung von unstrukturierten Daten wie klinischen Fortschrittsnotizen und Entlassungszusammenfassungen verbessert werden.

Die frühzeitige Identifizierung von Menschen mit COPD und die Kenntnis derjenigen, bei denen das Risiko einer Wiederaufnahme besteht, kann die gesundheitlichen Ergebnisse verbessern. Zafaret al. zeigten, dass ein umfassendes COPD-Versorgungspaket, das aus 1. Inhalatorbeurteilung, 2. geeignetem Inhalatorschema, 3. Nachsorge bei früher Entlassung und 4. patientenzentrierten Entlassungsanweisungen bestand, die Wiederaufnahme reduzierte.(14) Die Identifizierung von Personen mit hohem Wiederaufnahmerisiko könnte die Aufnahme in ein intensives Fallmanagement erleichtern. Daher werden wir die aktuelle Studie durchführen, um Patienten zu identifizieren, die mit akuten COPD-Exazerbationen aufgenommen wurden, und Patienten nach dem Risiko einer Wiederaufnahme stratifizieren

Methoden:

Anhand retrospektiver Daten des Universitätsgesundheitsnetzes (UHN) erstellen wir einen Datensatz der Aufnahme in die Allgemeine Innere Medizin der letzten 5 Jahre. Wir schätzen, dass dies ungefähr 40.000 Einweisungen umfassen wird, von denen 2.000 die höchst verantwortliche Diagnose einer COPD-Exazerbation haben werden. Der Datensatz enthält sowohl strukturierte codierte Daten als auch unstrukturierte Textdaten. Kodierte Daten sind Alter, Geschlecht, verordnete Medikamente, Komorbiditäten, Laborwerte und Lungenfunktionstests. Unstrukturierte Textdaten enthalten Notizen in EHR: Notizen zu Arztpraxen, Entlassungszusammenfassungen, Aufnahmediagnosen, Fortschrittsnotizen und Notizen aus unserem Signover-System.

Analyse: Wir werden verschiedene Methoden verwenden, um das Modell zu entwickeln, darunter logistische Regression, tiefe neuronale Netze und konvolutionelle neuronale Netze. Insbesondere werden wir auch statistische maschinelle Lernalgorithmen zur Ereigniserkennung unter Verwendung bidirektionaler neuronaler Langzeitgedächtnisnetzwerke über eine Vielzahl von Eingabetypen (z. B. Fourier-Filterbänke, Mel-Frequenz-Cepstral-Koeffizienten, Wavelets und Rohaudio) verwenden. Wir werden auch traditionelle Methoden wie dynamische Bayes-Netzwerke und bedingte Zufallsfelder verwenden. Auf der Seite der Textanalyse werden wir Schlüsselphrasen identifizieren, die eine Wiederaufnahme vorhersagen. Ein Ansatz besteht darin, die Diskursanalyse zu verwenden, um "Kern"-Phrasen aus dem Hintergrundtext herauszufiltern. Wir werden auch "gemeinsame" Vorhersagemodelle erstellen, die Merkmale aus dem unstrukturierten Text und Merkmale aus den strukturierten codierten Daten kombinieren. Wir verwenden die Standardfläche unter der ROC-Kurve, um die Modellleistung zu bewerten, und verwenden eine Kreuzvalidierung, um die Auswirkungen einer Überanpassung zu minimieren. Abschließend werden wir unsere Modelle anhand eines Datensatzes aus verschiedenen Zentren validieren, um festzustellen, ob diese Ergebnisse gültig und verallgemeinerbar sind.

Erwartete Ergebnisse: Die Entwicklung von zwei validierten Modellen auf der Grundlage von EHR-Daten: eines zur genauen Identifizierung von Patienten mit AECOPD und das zweite zur genauen Identifizierung von Patienten mit hohem Wiederaufnahmerisiko innerhalb von 30 Tagen.