불리한 건강 결과 예측을 위한 ER2 및 딥 러닝

노인을 위한 응급실(ED) 방문은 고위험 의료 개입입니다. 알려진 부작용(AE)에는 섬망, 연장된 ED 또는 입원, 입원, 재발성 ED 방문 및 병원 사망이 포함됩니다. 이는 ED 방문을 대표하는 65세 이상의 ED 방문자에서 증가하는 비율로 발생합니다.

ED에서 AE를 예측하는 도구는 환자 분류 및 배치에 대한 의사 결정을 돕는 데 가장 중요합니다. 그들은 표적 행동을 개발하기 위해 노인들에게 충족되지 않은 요구 사항을 식별하는 데 도움을 줄 수 있습니다. "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), Brief Geriatric Assessment(BGA)를 포함한 여러 채점 시스템은 다양한 결과에 대해 ED 및 기타 설정에서 광범위하게 연구되었습니다. 이러한 도구는 최소한의 교육을 받은 직원이 안정적이고 신속하게 관리할 수 있는 간단한 채점 시스템에 의존합니다. 그렇지 않으면 일상적인 임상 실습에 적용할 가능성이 낮습니다.

지난 10년 동안 예측 정확도가 크게 향상되지 않았기 때문에 아마도 새로운 분석 전략이 필요할 것입니다. 딥 러닝을 둘러싼 현재의 과대 광고는 더 우수하고 저렴한 하드웨어와 대기업 및 광범위한 사용자 커뮤니티에서 지원하는 단순한 오픈 소스 라이브러리의 가용성에서 비롯됩니다. 따라서 딥 러닝(DL) 알고리즘을 구현하는 것은 이제 표준 임상 실습의 의료를 포함하여 다양한 설정에 개방되어 있습니다. DL은 매우 특정한 작업에 대해 평균 보드 인증 전문가보다 더 정확한 것으로 나타났습니다. 다양한 임상 결과의 예측은 덜 극적인 결과를 가져왔는데, 아마도 전통적인(DL이 아닌) 모델이 이미 많은 질병 상태에 대해 임상의를 능가했기 때문일 것입니다. ED의 결과 예측에 적용되는 게시된 DL 접근 방식은 일반적으로 급성 질환을 앓고 있는 성인, 특정 조건 또는 입학 부서 또는 ED 과밀과 같은 행정 문제에 중점을 두었습니다. 나이가 많은 ED 방문자와 같은 특정 연령 그룹을 대상으로 하는 것은 없습니다.

많은 DL 접근 방식에 대한 중요한 주의 사항은 결과 해석입니다. 주어진 모델에서 AE와 관련된 대상 기능을 기반으로 개입을 개발하려면 어느 정도 투명해야 합니다. 여러 계층의 NN이 선형 회귀에 비해 예측을 개선하는 경우 종종 어떤 변수가 상호 작용하여 해당 결과를 산출하는지에 대한 임상적으로 관련된 통찰력을 제공하지 않습니다.