Выявление пациентов, госпитализированных с обострениями ХОБЛ, и прогнозирование риска повторной госпитализации с использованием машинного обучения

Пятая часть пациентов, выписанных из больницы по поводу обострения ХОБЛ, повторно госпитализируется в течение 30 дней (1, 3, 4). Несмотря на то, что методы лечения и ухода улучшились, их выполнение остается плохим (5). Внедрение соответствующих стандартов в рамках обычного рабочего процесса больницы сопряжено со значительными трудностями. Одной из главных задач является своевременное выявление всех подходящих пациентов с обострениями ХОБЛ (6). Еще одна серьезная проблема заключается в том, что сотрудники часто бывают слишком заняты и не имеют времени для выполнения основанных на фактических данных методов, которые сокращают количество повторных госпитализаций.(6) Кроме того, интенсивное ведение пациентов не может быть предложено всем из-за ограниченных ресурсов. Поэтому важно, чтобы мы могли выявлять как людей, госпитализированных с ХОБЛ на ранней стадии, так и тех, кто подвергается высокому риску повторной госпитализации.

Обострения ХОБЛ иногда трудно распознать поначалу, и для того, чтобы они стали очевидными, может потребоваться несколько дней. Симптомы обострений, такие как одышка, неспецифичны, а такие признаки, как инфильтраты на рентгенограмме грудной клетки, могут быть связаны с одним или несколькими диагнозами. Кроме того, обострения ХОБЛ могут спровоцировать или быть спровоцированы другими заболеваниями. В результате приемные врачи нередко принимают пациентов с множественными предварительными диагнозами сердечной недостаточности, пневмонии, обострения ХОБЛ и др. Различение людей с обострениями ХОБЛ еще более затрудняется электронными медицинскими картами (ЭМК), в которых диагнозы не указаны в качестве закодированных элементов. Конечным результатом является то, что остальной межпрофессиональной команде трудно найти пациентов с ХОБЛ на ранних стадиях госпитализации. В некоторых больницах США это было решено за счет того, что немедицинские работники просматривали карты для выявления пациентов, госпитализированных с ХОБЛ. (7) Альтернативным подходом было машинное обучение и обработка естественного языка. Это было реализовано с некоторым успехом для пациентов с сердечной недостаточностью, но мало что было сделано для людей с ХОБЛ (13). В одной из пилотных программ обработка естественного языка помогла выявить пациентов, госпитализированных с ХОБЛ (7).

Чтобы направить скудные ресурсы на тех, кто в них больше всего нуждается, было бы полезно дополнительно выявлять пациентов с высоким риском повторной госпитализации. Это будет первым шагом в определении того, как реализовать эффективные стратегии по снижению показателей повторной госпитализации. Существуют модели прогнозирования повторной госпитализации, разработанные для терапевтических и хирургических пациентов, в том числе шкала LACE и шкала HOSPITAL (8, 9) К сожалению, те, которые были изучены, по-видимому, неэффективны в популяции пациентов с ХОБЛ (10). Хотя были определены факторы, которые помогают прогнозировать повторную госпитализацию ХОБЛ, модели не были полностью проверены (11, 12) Производительность может быть улучшена за счет использования неструктурированных данных, таких как клинические записи о ходе лечения и выписки.

Раннее выявление людей с ХОБЛ и информация о тех, кто подвергается риску повторной госпитализации, могут улучшить результаты лечения. Зафар и др. продемонстрировали, что комплексный пакет помощи при ХОБЛ, который состоял из 1. оценки ингалятора, 2. соответствующего режима ингаляции, 3. раннего наблюдения при выписке и 4. ориентированных на пациента инструкций при выписке, позволил сократить количество повторных госпитализаций (14). Выявление лиц с высоким риском реадмиссии может облегчить включение в программу интенсивного ведения больных. Поэтому мы проведем текущее исследование для выявления пациентов, поступивших с обострением ХОБЛ, и стратификации пациентов в соответствии с риском повторной госпитализации.

Методы:

Используя ретроспективные данные Университетской сети здравоохранения (UHN), мы создадим набор данных о поступлении в отделение общей терапии за последние 5 лет. По нашим оценкам, это будет включать примерно 40 000 госпитализаций, из которых 2 000 будут иметь наиболее ответственный диагноз обострения ХОБЛ. Набор данных будет содержать как структурированные закодированные данные, так и неструктурированные текстовые данные. Закодированные данные будут включать возраст, пол, назначенные лекарства, сопутствующие заболевания, лабораторные показатели и тесты функции легких. Неструктурированные текстовые данные будут включать заметки в электронной медицинской карте: заметки врачей из клиники, сводки выписки, диагнозы при поступлении, заметки о проделанной работе и заметки из нашей системы регистрации.

Анализ: мы будем использовать несколько различных методов для разработки модели, включая логистическую регрессию, глубокие нейронные сети и сверточные нейронные сети. В частности, мы также будем использовать алгоритмы статистического машинного обучения для обнаружения событий с использованием двунаправленных нейронных сетей с долговременной кратковременной памятью для различных типов входных данных (например, наборы фильтров Фурье, кепстральные коэффициенты частоты Mel, вейвлеты и необработанный звук). Мы также будем использовать традиционные методы, такие как динамические байесовские сети и условные случайные поля. Со стороны текстовой аналитики мы определим ключевые фразы, которые предсказывают реадмиссию. Один из подходов будет заключаться в использовании анализа дискурса для выделения «ядерных» фраз из фонового текста. Мы также создадим «совместные» прогностические модели, которые объединяют признаки неструктурированного текста и признаки структурированных закодированных данных. Мы будем использовать стандартную площадь под кривой ROC для оценки производительности модели и использовать перекрестную проверку, чтобы минимизировать влияние переобучения. Наконец, мы затем проверим наши модели, используя набор данных из разных центров, чтобы определить, являются ли эти результаты достоверными и обобщаемыми.

Ожидаемые результаты: Разработка двух проверенных моделей на основе данных ЭМК: одна для точного выявления пациентов с обострением ХОБЛ, а вторая для точного выявления пациентов с высоким риском повторной госпитализации в течение 30 дней.