ER2 ja syvällinen oppiminen haitallisten terveysvaikutusten ennustamiseksi

Ensiapupoliklinikalla (ED) käynti iäkkäälle aikuiselle on suuren riskin lääketieteellinen toimenpide. Tunnettuja haittatapahtumia (AE) ovat delirium, pitkittynyt ED- tai sairaalahoito, sairaalahoito, toistuvat ED-käynnit ja sairaalakuolema. Näitä tapahtuu kasvavassa osuudessa yli 65-vuotiaista ED-vierailuista, jotka ovat yli 65-vuotiaita.

Välineet, jotka ennustavat haittavaikutuksia päihdehoidossa, ovat ensiarvoisen tärkeitä auttamaan päätöksenteossa potilaan lajittelusta ja sijoittelusta. Ne voivat auttaa tunnistamaan ikäihmisten tarpeettomia alueita kohdennettujen toimien kehittämiseksi. Useita pisteytysjärjestelmiä, mukaan lukien "Programme de recherche sur l'intégration des Services de maintien de l'autonomie" (PRISMA-7), Identification of Seniors at Risk (ISAR), Clinical Frailty Scale (CFS), Lyhyt Geriatric Assessment (BGA) tutkittu laajasti ED:ssä ja muissa ympäristöissä erilaisten tulosten saavuttamiseksi. Nämä työkalut perustuvat yksinkertaiseen pisteytysjärjestelmään, jota vähän koulutettu henkilökunta voi hallita luotettavasti ja nopeasti. Muun tekeminen ei todennäköisesti sovellu päivittäiseen kliiniseen käytäntöön.

Koska ennusteen tarkkuus ei ole merkittävästi parantunut viimeisen vuosikymmenen aikana, ehkä uusia analyysistrategioita tarvitaan. Syväoppimisen nykyinen hype tulee paremmasta ja halvemmasta laitteistosta sekä suurten yritysten ja laajan käyttäjäyhteisön tukemien yksinkertaisten ja avoimen lähdekoodin kirjastojen saatavuudesta. Näin ollen syväoppimisalgoritmien (DL) käyttöönotto on nyt avoin monenlaisille asetuksille, mukaan lukien sairaanhoito tavallisessa kliinisessä käytännössä. DL:n on osoitettu olevan tarkempi kuin keskimääräinen hallituksen sertifioitu asiantuntija hyvin erityisissä tehtävissä. Erilaisten kliinisten tulosten ennustaminen on tuottanut vähemmän dramaattisia tuloksia, ehkäpä koska perinteiset (ei-DL) mallit ovat jo ylittäneet kliiniset monissa sairaustiloissa. Julkaistut DL-lähestymistavat, joita on sovellettu ED-potilaiden tulosten ennustamiseen, ovat keskittyneet akuutisti sairaisiin aikuisiin yleensä, erityisiin tiloihin tai hallinnollisiin ongelmiin, kuten vastaanottoosastoon tai ED:n ylikuormitukseen. Mikään ei ole kohdistanut tiettyyn ikäryhmään, kuten vanhemmat ED-vieraat.

Tärkeä varoitus monille DL-lähestymistapoille on tulosten tulkinta. Jotta voidaan kehittää interventioita, jotka perustuvat tietyn mallin AE-tekijöihin liittyviin kohdennettuihin ominaisuuksiin, sen on oltava jonkin verran läpinäkyvää. Jos useat NN-kerrokset parantavat ennustetta lineaariseen regressioon verrattuna, ne eivät useinkaan tarjoa kliinisesti merkityksellistä tietoa siitä, kuinka ja mitkä muuttujat ovat vuorovaikutuksessa tämän tuloksen tuottamiseksi.