Identyfikacja pacjentów przyjętych z zaostrzeniami POChP i przewidywanie ryzyka ponownej hospitalizacji z wykorzystaniem uczenia maszynowego

Jedna piąta pacjentów wypisywanych ze szpitala z powodu zaostrzenia POChP jest ponownie przyjmowana w ciągu 30 dni.(1,3,4) Chociaż terapie i wytyczne dotyczące opieki uległy poprawie, wdrażanie wytycznych pozostaje niezadowalające.(5) Wdrożenie odpowiednich standardów w ramach zwykłego przepływu pracy w szpitalu stanowi poważne wyzwanie. Jednym z największych wyzwań jest zapewnienie terminowej identyfikacji wszystkich kwalifikujących się pacjentów z zaostrzeniami POChP.(6) Kolejnym największym wyzwaniem jest to, że personel jest często zbyt zajęty i nie ma czasu na wykonywanie praktyk opartych na dowodach, które zmniejszają liczbę readmisji(6). Ponadto intensywne zarządzanie przypadkami nie może być oferowane wszystkim ze względu na ograniczone zasoby. Dlatego ważne jest, abyśmy potrafili wcześnie identyfikować zarówno osoby przyjmowane z POChP, jak i osoby z grupy wysokiego ryzyka ponownej hospitalizacji.

Czasami zaostrzenia POChP mogą początkowo nie być łatwe do rozpoznania i ujawniać się po kilku dniach. Objawy zaostrzeń, takie jak duszność, nie są specyficzne, a objawy, takie jak nacieki na zdjęciu rentgenowskim klatki piersiowej, mogą wynikać z jednej lub kilku diagnoz. Ponadto zaostrzenia POChP mogą być wyzwalane lub wyzwalane przez inne choroby. W rezultacie nierzadko zdarza się, że lekarze przyjmujący przyjmują pacjentów z wieloma tymczasowymi diagnozami niewydolności serca, zapalenia płuc, zaostrzenia POChP i innych. Rozróżnianie osób z zaostrzeniami POChP jest dodatkowo utrudnione przez elektroniczną dokumentację medyczną (EHR), która nie zawiera diagnoz wymienionych jako zakodowane elementy. Końcowy rezultat jest taki, że reszcie zespołu interdyscyplinarnego trudno jest znaleźć pacjentów z POChP na wczesnym etapie przyjęcia. W niektórych szpitalach w Stanach Zjednoczonych rozwiązano ten problem, zlecając podmiotom spoza służby zdrowia przeglądanie kart w celu zidentyfikowania pacjentów przyjętych z powodu POChP.(7) Alternatywnym podejściem było uczenie maszynowe i przetwarzanie języka naturalnego. Zostało to wdrożone z pewnym sukcesem u pacjentów z niewydolnością serca, ale niewiele zrobiono dla osób z POChP.(13) W jednym z programów pilotażowych przetwarzanie języka naturalnego pomogło zidentyfikować pacjentów przyjętych z powodu POChP.(7)

Aby skierować ograniczone zasoby do tych, którzy najbardziej ich potrzebują, pomocna byłaby dalsza identyfikacja pacjentów z wysokim ryzykiem readmisji. Byłby to pierwszy krok w określeniu, w jaki sposób wdrożyć skuteczne strategie zmniejszania wskaźników readmisji. Istnieją modele przewidywania readmisji opracowane dla pacjentów medycznych i chirurgicznych, w tym skala LACE i skala HOSPITAL.(8, 9) Niestety, te, które zostały przebadane, nie wydają się dobrze działać w populacji POChP.(10) Chociaż zidentyfikowano czynniki, które pomagają przewidywać ponowną hospitalizację z powodu POChP, modele nie zostały w pełni zweryfikowane.(11, 12) Wydajność można poprawić dzięki wykorzystaniu nieustrukturyzowanych danych, takich jak notatki z postępów klinicysty i podsumowania wypisów.

Wczesna identyfikacja osób z POChP i wiedza o tych, którzy są zagrożeni readmisją, może poprawić wyniki zdrowotne. Zafar i in. wykazali, że kompleksowy pakiet opieki nad POChP, który obejmował 1. ocenę inhalatora, 2. odpowiedni schemat inhalacji, 3. obserwację wczesnego wypisu ze szpitala i 4. skoncentrowane na pacjencie instrukcje wypisu, zmniejszył liczbę ponownych przyjęć. Identyfikacja osób o wysokim ryzyku readmisji mogłaby ułatwić włączenie do intensywnego zarządzania przypadkami. Dlatego przeprowadzimy obecne badanie, aby zidentyfikować pacjentów przyjętych z ostrymi zaostrzeniami POChP i dokonać stratyfikacji pacjentów zgodnie z ryzykiem ponownej hospitalizacji

Metody:

Wykorzystując dane retrospektywne z Uniwersyteckiej Sieci Zdrowia (UHN), utworzymy zbiór danych dotyczących przyjęć na oddział chorób wewnętrznych z ostatnich 5 lat. Szacujemy, że obejmie to około 40 000 przyjęć, z czego 2 000 będzie miało najbardziej odpowiedzialne rozpoznanie zaostrzenia POChP. Zbiór danych będzie zawierał zarówno ustrukturyzowane dane zakodowane, jak i nieustrukturyzowane dane tekstowe. Zakodowane dane będą obejmować wiek, płeć, zamówione leki, choroby współistniejące, wartości laboratoryjne i testy czynnościowe płuc. Nieustrukturyzowane dane tekstowe będą zawierać notatki w EHR: notatki lekarza z kliniki, streszczenia wypisów, diagnozy przyjęć, notatki o postępach i notatki z naszego systemu podpisów.

Analiza: Do opracowania modelu użyjemy kilku różnych metod, w tym regresji logistycznej, głębokich sieci neuronowych i konwolucyjnych sieci neuronowych. W szczególności wykorzystamy również algorytmy statystycznego uczenia maszynowego do wykrywania zdarzeń przy użyciu dwukierunkowych sieci neuronowych pamięci długoterminowej i krótkoterminowej w różnych typach danych wejściowych (np. Wykorzystamy również tradycyjne metody, takie jak dynamiczne sieci Bayesa i warunkowe pola losowe. Po stronie analityki tekstu zidentyfikujemy frazy kluczowe, które przewidują readmisję. Jednym ze sposobów będzie wykorzystanie analizy dyskursu do wyodrębnienia fraz „jądrowych” z tekstu tła. Zbudujemy również „wspólne” modele predykcyjne łączące cechy z nieustrukturyzowanego tekstu i cechy z ustrukturyzowanych zakodowanych danych. Użyjemy standardowego obszaru pod krzywą ROC do oceny wydajności modelu i użyjemy walidacji krzyżowej, aby zminimalizować wpływ nadmiernego dopasowania. Na koniec zweryfikujemy nasze modele przy użyciu zestawu danych z różnych ośrodków, aby ustalić, czy te wyniki są ważne i czy można je uogólnić.

Oczekiwane wyniki: Opracowanie dwóch zweryfikowanych modeli opartych na danych EHR: jeden do dokładnej identyfikacji pacjentów z AECOPD i drugi do dokładnej identyfikacji pacjentów z wysokim ryzykiem ponownej hospitalizacji w ciągu 30 dni.