A COPD exacerbációban szenvedő betegek azonosítása és a visszafogadási kockázat előrejelzése gépi tanulás segítségével

A COPD exacerbációja miatt kórházból hazabocsátott betegek egyötöde 30 napon belül visszakerül.(1, 3, 4) Miközben a terápiák és az ellátási irányelvek javultak, az irányelvek végrehajtása továbbra is gyenge.(5) A megfelelő szabványok bevezetése a szokásos kórházi munkafolyamatokon keresztül jelentős kihívásokat jelent. Az egyik legnagyobb kihívás annak biztosítása, hogy minden COPD exacerbációban szenvedő beteget időben azonosítsanak.(6) A másik legnagyobb kihívás, hogy a személyzet gyakran túl elfoglalt, és nincs idejük bizonyítékokon alapuló gyakorlatok végrehajtására, amelyek csökkentik a visszafogadást.(6) Továbbá az intenzív ügykezelést a korlátozott erőforrások miatt nem lehet mindenkinek felajánlani. Ezért fontos, hogy képesek legyünk azonosítani mind a korai COPD-s betegeket, mind azokat, akiknél nagy a visszafogadás kockázata.

Előfordulhat, hogy a COPD exacerbációit először nem lehet könnyen felismerni, és napokba telhet, mire nyilvánvalóvá válik. Az exacerbációk tünetei, mint például a légszomj, nem specifikusak, és az olyan jelek, mint a mellkasi röntgenfelvételek beszivárgása egy vagy több diagnózisnak köszönhetőek. Ezenkívül a COPD exacerbációja más betegségeket is kiválthat vagy kiválthat. Ennek eredményeként nem ritka, hogy a fogadó orvosok olyan betegeket fogadnak be, akiknél többszörösen diagnosztizáltak szívelégtelenséget, tüdőgyulladást, COPD exacerbációt stb. A COPD exacerbációban szenvedők megkülönböztetését tovább nehezíti az elektronikus egészségügyi nyilvántartás (EHR), amely nem tartalmaz kódolt elemként felsorolt ​​diagnózisokat. A végeredmény az, hogy a szakmaközi csapat többi tagja számára nehéz COPD-s betegeket találni a felvétel korai szakaszában. Ezt egyes amerikai kórházakban úgy kezelték, hogy a nem egészségügyi szolgáltatók áttekintették a diagramokat, hogy azonosítsák a COPD-vel felvett betegeket(7). Alternatív megközelítés a gépi tanulás és a természetes nyelvi feldolgozás. Ezt némi sikerrel hajtották végre a szívelégtelenségben szenvedő betegeknél, de keveset tettek a COPD-s betegek esetében (13). Az egyik kísérleti programban a természetes nyelvi feldolgozás segített azonosítani a COPD-s betegeket (7).

Annak érdekében, hogy a szűkös erőforrásokat a leginkább rászorulókra fordíthassuk, hasznos lenne a visszafogadás magas kockázatának kitett betegek további azonosítása. Ez lenne az első lépés a visszafogadási arányok csökkentésére irányuló hatékony stratégiák végrehajtásának meghatározásához. Vannak olyan visszafogadási előrejelzési modellek, amelyeket orvosi és sebészeti betegek számára fejlesztettek ki, beleértve a LACE pontszámot és a HOSPITAL pontszámot. (8, 9) Sajnos úgy tűnik, hogy a vizsgáltak nem teljesítenek jól a COPD-s populációban.(10) Bár azonosítottak olyan tényezőket, amelyek segítenek előre jelezni a COPD visszafogadását, a modelleket még nem validálták teljesen (11, 12) A teljesítmény javítható olyan strukturálatlan adatok használatával, mint a klinikai előrehaladási feljegyzések és az elbocsátási összefoglalók.

A COPD-s betegek korai azonosítása és a visszafogadás veszélyének kitett személyek ismerete javíthatja az egészségügyi eredményeket. Zafar et al. bebizonyította, hogy egy átfogó COPD kezelési csomag, amely 1. inhalátor értékelésből, 2. megfelelő inhalációs kezelési rendből, 3. korai elbocsátási nyomon követésből és 4. betegközpontú elbocsátási utasításokból állt, csökkentette a visszafogadások számát (14). A visszafogadás nagy kockázatának kitett személyek azonosítása megkönnyítheti az intenzív ügykezelésbe való beiratkozást. Ezért a jelenlegi vizsgálatot a COPD akut exacerbációjával kezelt betegek azonosítására fogjuk végezni, és a betegeket a visszafogadás kockázata szerint csoportosítjuk.

Mód:

Az Egyetemi Egészségügyi Hálózat (UHN) retrospektív adatait felhasználva elkészítjük az elmúlt 5 év általános belgyógyászati ​​felvételeinek adatsorát. Becsléseink szerint ez körülbelül 40 000 felvételt fog tartalmazni, amelyek közül 2000 esetében a COPD súlyosbodásának legfelelősebb diagnózisa lesz. Az adatkészlet strukturált kódolt adatokat és strukturálatlan szöveges adatokat is tartalmaz. A kódolt adatok közé tartozik az életkor, a nem, a rendelt gyógyszerek, a társbetegségek, a laboratóriumi értékek és a tüdőfunkciós vizsgálatok. A strukturálatlan szöveges adatok tartalmazzák az EHR-ben található megjegyzéseket: orvosi klinikai megjegyzések, elbocsátási összefoglalók, felvételi diagnózisok, előrehaladási feljegyzések és aláíró rendszerünkből származó megjegyzések.

Elemzés: Számos különböző módszert fogunk használni a modell kidolgozásához, beleértve a logisztikus regressziót, a mély neurális hálózatokat és a konvolúciós neurális hálózatokat. Pontosabban, statisztikai gépi tanulási algoritmusokat is használunk az események észleléséhez kétirányú, hosszú távú memória neurális hálózatok használatával, különféle bemeneti típusokon (pl. Fourier szűrőbankok, Mel-frekvenciás cepstralis együtthatók, hullámok és nyers hang). Hagyományos módszereket is fogunk használni, például dinamikus Bayes-hálózatokat és feltételes véletlenmezőket. A szövegelemzési oldalon olyan kulcsmondatokat fogunk azonosítani, amelyek visszafogadást jeleznek előre. Az egyik megközelítés az lesz, hogy diskurzuselemzést használunk a „mag” kifejezések kiemelésére a háttérszövegből. "Közös" prediktív modelleket is készítünk, amelyek kombinálják a strukturálatlan szöveg jellemzőit és a strukturált kódolt adatok jellemzőit. A szabványos ROC-görbe alatti területet fogjuk használni a modell teljesítményének értékelésére, és kereszthitelesítést alkalmazunk a túlillesztés hatásának minimalizálása érdekében. Végül ellenőrizzük modelljeinket egy különböző központokból származó adatkészlet segítségével, hogy megállapítsuk, ezek az eredmények érvényesek és általánosíthatók-e.

Várható eredmények: Két validált modell kidolgozása az EHR adatokon: az egyik az AECOPD-ben szenvedő betegek pontos azonosítására, a másik pedig a visszafogadás magas kockázatának kitett betegek pontos azonosítására 30 napon belül.