Identifisering av pasienter innlagt med KOLS-eksaserbasjoner og forutsigelse av gjeninnleggelsesrisiko ved bruk av maskinlæring

En femtedel av pasienter som skrives ut fra sykehus på grunn av KOLS-eksaserbasjoner, blir reinnlagt innen 30 dager.(1, 3, 4) Mens behandlings- og omsorgsretningslinjer har blitt bedre, er implementeringen fortsatt dårlig.(5) Implementering av passende standarder gjennom vanlig arbeidsflyt på sykehus byr på betydelige utfordringer. En av de største utfordringene er å sikre at alle kvalifiserte pasienter med KOLS-eksaserbasjoner blir identifisert i tide.(6) En annen stor utfordring er at personalet ofte er for opptatt og ikke har tid til å utføre evidensbasert praksis som reduserer reinnleggelser.(6) Videre kan intensiv saksbehandling ikke tilbys alle på grunn av begrensede ressurser. Derfor er det viktig at vi klarer å identifisere både personer som legges inn med KOLS tidlig samt de som har høy risiko for reinnleggelse.

KOLS-eksaserbasjoner kan til tider ikke lett gjenkjennes med det første og det kan ta dager før de blir tydelige. Symptomer på forverringer som kortpustethet er ikke spesifikke, og tegn som røntgen av thorax kan skyldes en eller flere diagnoser. Videre kan KOLS-eksaserbasjoner utløse eller utløses av andre sykdommer. Som et resultat er det ikke uvanlig at innlagte leger legger inn pasienter med flere foreløpige diagnoser hjertesvikt, lungebetennelse, KOLS-forverring og mer. Å skille personer med KOLS-eksaserbasjoner blir ytterligere forvirret av elektroniske helsejournaler (EPJ) som ikke har diagnoser oppført som kodede elementer. Sluttresultatet er at det er vanskelig for resten av det tverrprofesjonelle teamet å finne kols-pasienter tidlig i innleggelsen. Dette har blitt adressert i noen amerikanske sykehus ved å la ikke-helsepersonell gjennomgå diagrammer for å identifisere pasienter innlagt med KOLS.(7) En alternativ tilnærming har vært maskinlæring og naturlig språkbehandling. Dette har blitt implementert med en viss suksess for pasienter med hjertesvikt, men lite har blitt gjort for personer med KOLS.(13) I ett pilotprogram hjalp naturlig språkbehandling med å identifisere pasienter innlagt med KOLS.(7)

For å målrette knappe ressurser mot de som trenger det mest, vil det være nyttig å identifisere pasienter med høy risiko for reinnleggelse ytterligere. Dette vil være det første trinnet i å bestemme hvordan man skal implementere effektive strategier for å redusere reinnleggelsesratene. Det er reinnleggelsesprediksjonsmodeller utviklet for medisinske og kirurgiske pasienter, inkludert LACE-skåren og HOSPITAL-skåren.(8, 9) Dessverre ser ikke de som er studert ut til å prestere godt i KOLS-populasjonen.(10) Mens det er identifisert faktorer som hjelper til med å forutsi KOLS-reinnleggelse, har ikke modellene blitt fullstendig validert.(11, 12) Ytelsen kan forbedres ved bruk av ustrukturerte data, for eksempel klinikerfremdriftsnotater og utskrivningssammendrag.

Tidlig identifisering av personer med KOLS og kunnskap om de som står i fare for reinnleggelse kan forbedre helseutfall. Zafar et al. demonstrerte at en omfattende KOLS-pleiepakke som besto av 1. inhalatorvurdering, 2. passende inhalatorregime, 3. tidlig utskrivningsoppfølging og 4. pasientsentrerte utskrivningsinstruksjoner reduserte reinnleggelser.(14) Identifisering av personer med høy risiko for reinnleggelse vil kunne lette innmeldingen til intensiv saksbehandling. Derfor vil vi gjennomføre den nåværende studien for å identifisere pasienter innlagt med akutte eksaserbasjoner av KOLS og stratifisere pasienter i henhold til risiko for reinnleggelse

Metoder:

Ved å bruke retrospektive data fra Universitetets helsenettverk (UHN), vil vi lage et datasett over opptak til generell indremedisin for de siste 5 årene. Vi anslår at dette vil omfatte ca. 40.000 innleggelser, hvorav 2.000 vil ha en mest ansvarlig diagnose av en KOLS-eksaserbasjon. Datasettet vil inneholde både strukturerte kodede data så vel som ustrukturerte tekstdata. Kodede data vil inkludere alder, kjønn, bestilte medisiner, komorbiditeter, laboratorieverdier og lungefunksjonstester. Ustrukturerte tekstdata vil inkludere notater i EPJ: notater fra legeklinikk, utskrivningssammendrag, innleggelsesdiagnoser, fremdriftsnotater og notater fra signover-systemet vårt.

Analyse: Vi vil bruke flere forskjellige metoder for å utvikle modellen inkludert logistisk regresjon, dype nevrale nettverk og konvolusjonelle nevrale nettverk. Spesifikt vil vi også bruke statistiske maskinlæringsalgoritmer for hendelsesdeteksjon ved bruk av toveis langtidsminne nevrale nettverk på tvers av en rekke inngangstyper (f.eks. Fourier-filterbanker, Mel-frekvens cepstral koeffisienter, wavelets og rå lyd). Vi vil også bruke tradisjonelle metoder som dynamiske Bayes-nettverk og betingede tilfeldige felt. På tekstanalysesiden vil vi identifisere nøkkelfraser som forutsier gjenopptakelse. En tilnærming vil være å bruke diskursanalyse for å skille ut «kjerne»-fraser fra bakgrunnstekst. Vi vil også bygge «felles» prediktive modeller som kombinerer funksjoner fra den ustrukturerte teksten og funksjoner fra de strukturerte kodede dataene. Vi vil bruke standardområdet under ROC-kurven for å vurdere modellytelse og bruke kryssvalidering for å minimere virkningen av overtilpasning. Til slutt vil vi deretter validere modellene våre ved å bruke et datasett fra forskjellige sentre for å finne ut om disse resultatene er gyldige og generaliserbare.

Forventede resultater: Utvikling av to validerte modeller basert på EPJ-data: en for nøyaktig å identifisere pasienter med AECOPD og den andre for nøyaktig å identifisere pasienter med høy risiko for reinnleggelse innen 30 dager.