COPD増悪で入院した患者の特定と、機械学習を使用した再入院リスクの予測

COPD 増悪で退院した患者の 5 分の 1 は、30 日以内に再入院しています (1, 3, 4)。 通常の病院のワークフローを通じて適切な基準を実装するには、大きな課題があります。 最大の課題の 1 つは、COPD 増悪の対象となるすべての患者をタイムリーに特定することです (6)。 もう 1 つの最大の課題は、スタッフが忙しすぎて、再入院を減らすエビデンスに基づく実践を実行する時間がないことです (6)。 さらに、リソースが限られているため、集中的なケース管理をすべての人に提供することはできません。 したがって、COPD で早期に入院した患者と、再入院のリスクが高い患者の両方を特定できることが重要です。

COPD の増悪は、最初は容易に認識できず、明らかになるまでに数日かかる場合があります。 息切れなどの悪化の症状は特定のものではなく、胸部レントゲン写真の浸潤などの徴候は、1 つまたは複数の診断に起因する可能性があります。 さらに、COPDの増悪は、他の疾患によって引き起こされる可能性があります。 その結果、入院する医師が、心不全、肺炎、COPD増悪などの複数の仮診断を受けた患者を入院させることは珍しくありません。 COPD 増悪患者の識別は、コード化された要素としてリストされている診断を持たない電子健康記録 (EHR) によってさらに混乱します。 最終的な結果として、他の専門職連携チームが入院の早い段階で COPD 患者を見つけることは困難です。 これは、一部の米国の病院で、COPD で入院した患者を特定するために非医療提供者にカルテを確認させることで対処されています (7)。 代替アプローチは、機械学習と自然言語処理です。 これは、心不全患者に対してはある程度の成功を収めていますが、COPD 患者に対してはほとんど実施されていません.(13) あるパイロット プログラムでは、自然言語処理が COPD で入院した患者の特定に役立ちました (7)。

希少なリソースを最も必要としている人に絞り込むには、再入院のリスクが高い患者をさらに特定することが役立ちます。 これは、再入院率を下げるための効果的な戦略を実行する方法を決定するための最初のステップです。 LACEスコアやHOSPITALスコアなど、内科および外科患者向けに開発された再入院予測モデルがあります(8、 9) 残念ながら、研究されたものは、COPD 集団ではうまく機能していないようです.(10) COPDの再入院を予測するのに役立つ要因が特定されていますが、モデルは完全には検証されていません.(11, 12) 臨床医の経過記録や退院の概要などの非構造化データを使用することで、パフォーマンスを向上させることができます。

COPD 患者を早期に特定し、再入院のリスクがある患者を知ることで、健康転帰を改善できます。 ザファル等。 1. 吸入器の評価、2. 適切な吸入器レジメン、3. 早期退院のフォローアップ、4. 患者中心の退院指示で構成される包括的な COPD ケア バンドルが再入院を減少させることを示しました。 (14) 再入院のリスクが高い人を特定することで、集中的な症例管理への登録が容易になる可能性があります。 したがって、COPDの急性増悪で入院した患者を特定し、再入院のリスクに従って患者を層別化するために、現在の研究を実施します

方法:

University Health Network (UHN) からのレトロスペクティブ データを使用して、過去 5 年間の一般内科への入院のデータ セットを作成します。 これには約 40,000 人の入院が含まれ、そのうち 2,000 人が COPD 増悪の最も責任ある診断を受けると推定されます。 データ セットには、構造化されたコード データと非構造化テキスト データの両方が含まれます。 コード化されたデータには、年齢、性別、注文した薬剤、併存疾患、臨床検査値、肺機能検査が含まれます。 構造化されていないテキスト データには、EHR のメモが含まれます。医師のクリニック メモ、退院の概要、入院診断、経過メモ、サインオーバー システムからのメモなどです。

分析: ロジスティック回帰、ディープ ニューラル ネットワーク、畳み込みニューラル ネットワークなど、いくつかの異なる方法を使用してモデルを開発します。 具体的には、さまざまな入力タイプ (フーリエ フィルター バンク、メル周波数ケプストラム係数、ウェーブレット、生の音声など) にわたる双方向長短期記憶ニューラル ネットワークを使用したイベント検出に、統計的機械学習アルゴリズムも使用します。 また、動的ベイズ ネットワークや条件付きランダム フィールドなどの従来の方法も使用します。 テキスト分析では、再入院を予測するキー フレーズを特定します。 1 つのアプローチは、談話分析を使用して背景テキストから「核となる」句を選び出すことです。 また、構造化されていないテキストの特徴と構造化されたコード化されたデータの特徴を組み合わせた「結合」予測モデルも構築します。 ROC 曲線の下の標準領域を使用してモデルのパフォーマンスを評価し、相互検証を使用してオーバーフィッティングの影響を最小限に抑えます。 最後に、さまざまなセンターのデータセットを使用してモデルを検証し、これらの結果が有効で一般化できるかどうかを判断します。

期待される結果: EHR データに基づく 2 つの検証済みモデルの開発: 1 つは AECOPD 患者を正確に特定するためのもので、2 つ目は 30 日以内に再入院のリスクが高い患者を正確に特定するためのものです。