Identificatie van patiënten die zijn opgenomen met COPD-exacerbaties en het voorspellen van het risico op heropname met behulp van machine learning

Een vijfde van de patiënten die vanwege COPD-exacerbaties uit het ziekenhuis worden ontslagen, wordt binnen 30 dagen opnieuw opgenomen.(1, 3, 4) Hoewel therapieën en zorgrichtlijnen zijn verbeterd, blijft de implementatie van de richtlijnen slecht.(5) Het implementeren van geschikte normen via de gebruikelijke ziekenhuisworkflow vormt een grote uitdaging. Een van de grootste uitdagingen is ervoor te zorgen dat alle in aanmerking komende patiënten met COPD-exacerbaties tijdig worden geïdentificeerd.(6) Een andere grote uitdaging is dat het personeel het vaak te druk heeft en geen tijd heeft om evidence-based praktijken uit te voeren die heropnames verminderen.(6) Bovendien kan intensief casemanagement niet aan iedereen worden aangeboden vanwege beperkte middelen. Daarom is het belangrijk dat we zowel mensen die met COPD worden opgenomen als mensen met een hoog risico op heropname vroegtijdig kunnen signaleren.

COPD-exacerbaties kunnen in het begin soms niet gemakkelijk worden herkend en het kan dagen duren voordat ze duidelijk worden. Symptomen van exacerbaties zoals kortademigheid zijn niet specifiek en tekenen zoals infiltraten op röntgenfoto's van de borstkas kunnen te wijten zijn aan een of meer diagnoses. Bovendien kunnen COPD-exacerbaties andere ziekten veroorzaken of veroorzaakt worden. Als gevolg hiervan is het niet ongebruikelijk dat artsen patiënten opnemen met meerdere voorlopige diagnoses van hartfalen, longontsteking, COPD-exacerbatie en meer. Het onderscheiden van mensen met COPD-exacerbaties wordt verder verward door elektronische gezondheidsdossiers (EPD's) waarin geen diagnoses als gecodeerde elementen worden vermeld. Het eindresultaat is dat het voor de rest van het interprofessionele team moeilijk is om vroeg in de opname COPD-patiënten te vinden. Dit is in sommige Amerikaanse ziekenhuizen aangepakt door niet-zorgverleners grafieken te laten beoordelen om patiënten te identificeren die zijn opgenomen met COPD.(7) Een alternatieve benadering is machine learning en natuurlijke taalverwerking. Dit is met enig succes geïmplementeerd voor patiënten met hartfalen, maar er is weinig gedaan voor mensen met COPD.(13) In één proefprogramma hielp natuurlijke taalverwerking bij het identificeren van patiënten die waren opgenomen met COPD.(7)

Om de schaarse middelen te richten op degenen die dit het meest nodig hebben, zou het nuttig zijn om patiënten met een hoog risico op heropname verder te identificeren. Dit zou de eerste stap zijn om te bepalen hoe effectieve strategieën kunnen worden geïmplementeerd om het aantal heropnames terug te dringen. Er zijn voorspellingsmodellen voor heropname ontwikkeld voor medische en chirurgische patiënten, waaronder de LACE-score en de HOSPITAL-score.(8, 9) Helaas lijken degenen die zijn onderzocht niet goed te presteren in de COPD-populatie.(10) Hoewel er factoren zijn geïdentificeerd die COPD-heropname helpen voorspellen, zijn de modellen niet volledig gevalideerd.(11, 12) De prestaties kunnen worden verbeterd door het gebruik van ongestructureerde gegevens, zoals voortgangsnotities van clinici en ontslagoverzichten.

Vroege identificatie van mensen met COPD en kennis van degenen die het risico lopen op heropname kunnen de gezondheidsresultaten verbeteren. Zafar et al. toonde aan dat een uitgebreide COPD-zorgbundel die bestond uit 1. inhalatorbeoordeling, 2. geschikt inhalatorregime, 3. follow-up bij vroegtijdig ontslag en 4. patiëntgerichte ontslaginstructies het aantal heropnames verminderde.(14) Identificatie van degenen met een hoog risico op overname zou de inschrijving voor intensief casemanagement kunnen vergemakkelijken. Daarom zullen we de huidige studie uitvoeren om patiënten te identificeren die zijn opgenomen met acute exacerbaties van COPD en patiënten te stratificeren op basis van het risico op heropname

methoden:

Aan de hand van retrospectieve gegevens van het Universitair Gezondheidsnetwerk (UHN) maken we een dataset van opnames in de Algemene Interne Geneeskunde van de afgelopen 5 jaar. We schatten dat dit ongeveer 40.000 opnames zal omvatten, waarvan 2.000 met de meest verantwoorde diagnose van een COPD-exacerbatie. De dataset zal zowel gestructureerde gecodeerde data als ongestructureerde tekstdata bevatten. Gecodeerde gegevens omvatten leeftijd, geslacht, bestelde medicijnen, comorbiditeiten, laboratoriumwaarden en longfunctietesten. Ongestructureerde tekstgegevens omvatten aantekeningen in het EPD: aantekeningen van de arts, ontslagoverzichten, opnamediagnoses, voortgangsaantekeningen en aantekeningen van ons signover-systeem.

Analyse: we zullen verschillende methoden gebruiken om het model te ontwikkelen, waaronder logistische regressie, diepe neurale netwerken en convolutionele neurale netwerken. Concreet zullen we ook statistische machine learning-algoritmen gebruiken voor gebeurtenisdetectie met behulp van bidirectionele neurale netwerken voor het lange-kortetermijngeheugen over een verscheidenheid aan invoertypes (bijv. Fourier-filterbanken, Mel-frequentie cepstrale coëfficiënten, wavelets en onbewerkte audio). We zullen ook traditionele methoden gebruiken, zoals dynamische Bayes-netwerken en voorwaardelijke willekeurige velden. Aan de kant van tekstanalyse zullen we sleutelzinnen identificeren die heropname voorspellen. Een benadering zal zijn om discoursanalyse te gebruiken om 'kern'-zinnen uit de achtergrondtekst te halen. We zullen ook "gezamenlijke" voorspellende modellen bouwen die kenmerken van de ongestructureerde tekst en kenmerken van de gestructureerde gecodeerde gegevens combineren. We zullen het standaardgebied onder de ROC-curve gebruiken om de modelprestaties te beoordelen en kruisvalidatie gebruiken om de impact van overfitting te minimaliseren. Ten slotte zullen we onze modellen valideren met behulp van een dataset van verschillende centra om te bepalen of deze resultaten geldig en generaliseerbaar zijn.

Verwachte resultaten: De ontwikkeling van twee gevalideerde modellen op basis van EPD-gegevens: één om patiënten met AECOPD nauwkeurig te identificeren en het tweede om patiënten met een hoog risico op heropname nauwkeurig te identificeren binnen 30 dagen.