기계 학습을 사용한 COPD 악화로 입원한 환자 식별 및 재입원 위험 예측

COPD 악화로 퇴원한 환자의 5분의 1은 30일 이내에 재입원합니다.(1, 3, 4) 치료법과 치료 지침은 개선되었지만 지침 이행은 여전히 ​​미흡합니다.(5) 일반적인 병원 작업 흐름을 통해 적절한 표준을 구현하는 것은 상당한 과제를 제시합니다. 가장 큰 과제 중 하나는 COPD 악화가 있는 모든 적격 환자를 적시에 식별하는 것입니다.(6) 또 다른 주요 과제는 직원들이 종종 너무 바빠서 재입원을 줄이는 증거 기반 관행을 실행할 시간이 없다는 것입니다.(6) 또한 한정된 리소스로 인해 모든 사람에게 집중 사례 관리를 제공할 수 없습니다. 따라서 COPD로 조기에 입원한 사람과 재입원 위험이 높은 사람을 모두 식별할 수 있는 것이 중요합니다.

COPD 악화는 때때로 처음에는 쉽게 인식되지 않고 명백해지기까지 며칠이 걸릴 수 있습니다. 숨가쁨과 같은 악화 증상은 구체적이지 않으며 흉부 방사선 사진 침윤과 같은 징후는 하나 이상의 진단으로 인한 것일 수 있습니다. 또한 COPD 악화는 다른 질병에 의해 유발되거나 유발될 수 있습니다. 결과적으로 입원 의사가 심부전, 폐렴, COPD 악화 등의 잠정 진단을 여러 번 받은 환자를 입원시키는 것은 드문 일이 아닙니다. COPD 악화가 있는 사람을 구별하는 것은 코딩된 요소로 나열된 진단이 없는 전자 건강 기록(EHR)에 의해 더욱 혼란스러워집니다. 최종 결과는 나머지 전문가 간 팀이 입원 초기에 COPD 환자를 찾는 것이 어렵다는 것입니다. 일부 미국 병원에서는 비의료 제공자가 COPD로 입원한 환자를 식별하기 위해 차트를 검토하도록 함으로써 이 문제를 해결했습니다.(7) 또 다른 접근 방식은 기계 학습과 자연어 처리입니다. 이것은 심부전 환자에게 약간의 성공을 거두면서 구현되었지만 COPD 환자에게는 거의 수행되지 않았습니다.(13) 한 파일럿 프로그램에서 자연어 처리는 COPD로 입원한 환자를 식별하는 데 도움이 되었습니다.(7)

가장 필요한 사람들을 위해 희소한 자원을 대상으로 하기 위해 재입원 위험이 높은 환자를 추가로 식별하는 것이 도움이 될 것입니다. 이것은 재입원률을 줄이기 위한 효과적인 전략을 구현하는 방법을 결정하는 첫 번째 단계가 될 것입니다. LACE 점수 및 HOSPITAL 점수를 포함하여 내과 및 외과 환자를 위해 개발된 재입원 예측 모델이 있습니다.(8, 9) 불행하게도, 연구된 것들은 COPD 인구에서 잘 수행되지 않는 것으로 보입니다.(10) COPD 재입원을 예측하는 데 도움이 되는 요인이 확인되었지만 모델이 완전히 검증되지는 않았습니다.(11, 12) 임상의 경과 기록 및 퇴원 요약과 같은 비정형 데이터를 사용하여 성능을 향상시킬 수 있습니다.

COPD 환자의 조기 식별과 재입원 위험이 있는 사람에 대한 지식은 건강 결과를 개선할 수 있습니다. Zafaret al. 1. 흡입기 평가, 2. 적절한 흡입기 요법, 3. 조기 퇴원 후속 조치 및 4. 환자 중심 퇴원 지침으로 구성된 포괄적인 COPD 치료 묶음이 재입원을 감소시켰음을 입증했습니다.(14) 재입원 위험이 높은 사람들을 식별하면 집중 사례 관리에 등록하는 것이 용이해질 수 있습니다. 따라서 본 연구에서는 COPD의 급성 악화로 입원한 환자를 파악하고 재입원 위험도에 따라 환자를 계층화하고자 한다.

행동 양식:

UHN(University Health Network)의 소급 데이터를 사용하여 지난 5년 동안의 일반 내과 입학 데이터 세트를 생성합니다. 여기에는 약 40,000건의 입원이 포함될 것으로 예상되며 그 중 2,000건이 COPD 악화에 대한 가장 책임 있는 진단을 받을 것입니다. 데이터 세트에는 구조화된 코드 데이터와 구조화되지 않은 텍스트 데이터가 모두 포함됩니다. 코딩된 데이터에는 연령, 성별, 처방된 약물, 동반 질환, 실험실 값 및 폐 기능 검사가 포함됩니다. 구조화되지 않은 텍스트 데이터에는 의사 진료 기록, 퇴원 요약, 입원 진단, 진행 기록, 사인오버 시스템 기록 등 EHR 기록이 포함됩니다.

분석: 로지스틱 회귀, 심층 신경망 및 컨볼루션 신경망을 포함한 여러 가지 방법을 사용하여 모델을 개발할 것입니다. 특히 다양한 입력 유형(예: 푸리에 필터 뱅크, Mel-주파수 켑스트럼 계수, 웨이블릿 및 원시 오디오)에 걸쳐 양방향 장단기 메모리 신경망을 사용하여 이벤트 감지를 위한 통계적 기계 학습 알고리즘을 사용할 것입니다. 또한 동적 Bayes 네트워크 및 조건부 임의 필드와 같은 기존 방법을 사용합니다. 텍스트 분석 측면에서 우리는 재입학을 예측하는 핵심 문구를 식별할 것입니다. 한 가지 접근 방식은 담화 분석을 사용하여 배경 텍스트에서 "핵심" 문구를 골라내는 것입니다. 또한 구조화되지 않은 텍스트의 기능과 구조화된 코딩 데이터의 기능을 결합하는 "공동" 예측 모델을 구축할 것입니다. ROC 곡선 아래 표준 영역을 사용하여 모델 성능을 평가하고 교차 검증을 사용하여 과적합의 영향을 최소화합니다. 마지막으로 다른 센터의 데이터 세트를 사용하여 모델을 검증하여 이러한 결과가 유효하고 일반화 가능한지 여부를 결정합니다.

예상 결과: EHR 데이터를 기반으로 두 가지 검증된 모델 개발: 하나는 AECOPD 환자를 정확하게 식별하기 위한 것이고, 두 번째는 30일 이내에 재입원 위험이 높은 환자를 정확하게 식별하기 위한 것입니다.