Identifiering av patienter som tagits in med KOL-exacerbationer och förutsäger risk för återintagning med hjälp av maskininlärning

En femtedel av patienterna som skrivs ut från sjukhus för exacerbationer av KOL läggs in igen inom 30 dagar.(1, 3, 4) Även om terapier och vårdriktlinjer har förbättrats, är implementeringen fortfarande dålig.(5) Att implementera lämpliga standarder genom vanliga sjukhusarbetsflöden innebär betydande utmaningar. En av de största utmaningarna är att se till att alla kvalificerade patienter med KOL-exacerbationer identifieras i tid.(6) En annan stor utmaning är att personalen ofta är för upptagen och inte har tid att utföra evidensbaserad praxis som minskar återinläggningar.(6) Dessutom kan intensiv ärendehantering inte erbjudas alla på grund av begränsade resurser. Därför är det viktigt att vi kan identifiera både personer som läggs in med KOL tidigt samt de som löper hög risk för återinläggning.

KOL-exacerbationer kan ibland vara svåra att känna igen till en början och ta dagar innan de blir uppenbara. Symtom på exacerbationer som andnöd är inte specifika och tecken som lungröntgeninfiltrat kan bero på en eller flera diagnoser. Vidare kan KOL-exacerbationer utlösa eller utlösas av andra sjukdomar. Som ett resultat är det inte ovanligt att inlagda läkare tar in patienter med flera provisoriska diagnoser av hjärtsvikt, lunginflammation, KOL-exacerbation med mera. Att särskilja personer med KOL-exacerbationer förvirras ytterligare av elektroniska hälsojournaler (EHR) som inte har diagnoser listade som kodade element. Slutresultatet är att det är svårt för resten av det interprofessionella teamet att hitta KOL-patienter tidigt vid inläggningen. Detta har åtgärdats på vissa amerikanska sjukhus genom att låta icke-vårdgivare granska diagram för att identifiera patienter som tagits in för KOL.(7) Ett alternativt tillvägagångssätt har varit maskininlärning och naturlig språkbehandling. Detta har implementerats med viss framgång för patienter med hjärtsvikt, men lite har gjorts för personer med KOL.(13) I ett pilotprogram hjälpte bearbetning av naturligt språk till att identifiera patienter som tagits in med KOL.(7)

För att rikta knappa resurser till dem som behöver det mest skulle det vara bra att ytterligare identifiera patienter med hög risk för återinläggning. Detta skulle vara det första steget för att fastställa hur effektiva strategier ska genomföras för att minska återtagningsfrekvensen. Det finns modeller för återinläggning som har utvecklats för medicinska och kirurgiska patienter, inklusive LACE-poäng och HOSPITAL-poäng.(8, 9) Tyvärr verkar de som har studerats inte fungera bra i KOL-populationen.(10) Även om faktorer har identifierats som hjälper till att förutsäga KOL-återinläggning, har modellerna inte blivit helt validerade.(11, 12) Prestandan skulle kunna förbättras genom användning av ostrukturerade data som läkares framstegsnoteringar och sammanfattningar av utskrivningar.

Tidig identifiering av personer med KOL och kunskap om dem som löper risk för återinläggning kan förbättra hälsoresultaten. Zafar et al. visade att ett omfattande KOL-vårdpaket som bestod av 1. inhalatorbedömning, 2. lämplig inhalatorregim, 3. tidig utskrivningsuppföljning och 4. patientcentrerade utskrivningsinstruktioner minskade återinläggningar.(14) Identifiering av personer med hög risk för återtagande skulle kunna underlätta inskrivningen till intensiv ärendehantering. Därför kommer vi att genomföra den aktuella studien för att identifiera patienter som tagits in med akuta exacerbationer av KOL och stratifiera patienter efter risk för återinläggning

Metoder:

Med hjälp av retrospektiva data från University Health Network (UHN) kommer vi att skapa en datamängd över antagningar till allmän invärtesmedicin för de senaste 5 åren. Vi uppskattar att detta kommer att omfatta cirka 40 000 inläggningar varav 2 000 kommer att ha en mycket ansvarsfull diagnos av en KOL-exacerbation. Datauppsättningen kommer att innehålla både strukturerad kodad data och ostrukturerad textdata. Kodad data kommer att inkludera ålder, kön, beställda mediciner, komorbiditeter, laboratorievärden och lungfunktionstester. Ostrukturerade textdata kommer att inkludera anteckningar i EPJ: anteckningar från läkares klinik, sammanfattningar av utskrivningar, antagningsdiagnoser, förloppsanteckningar och anteckningar från vårt signeringssystem.

Analys: Vi kommer att använda flera olika metoder för att utveckla modellen inklusive logistisk regression, djupa neurala nätverk och konvolutionella neurala nätverk. Specifikt kommer vi också att använda statistiska maskininlärningsalgoritmer för händelsedetektering med hjälp av dubbelriktade långtidsminnesneurala nätverk över en mängd olika ingångstyper (t.ex. Fourier-filterbanker, Mel-frekvens cepstralkoefficienter, wavelets och råljud). Vi kommer också att använda traditionella metoder som dynamiska Bayes-nätverk och villkorade slumpmässiga fält. På textanalyssidan kommer vi att identifiera nyckelfraser som förutspår återtagande. Ett tillvägagångssätt kommer att vara att använda diskursanalys för att peka ut "kärn"-fraser från bakgrundstext. Vi kommer också att bygga "gemensamma" prediktiva modeller som kombinerar funktioner från den ostrukturerade texten och funktioner från den strukturerade kodade datan. Vi kommer att använda standardområdet under ROC-kurvan för att bedöma modellens prestanda och använda korsvalidering för att minimera effekten av överanpassning. Slutligen kommer vi sedan att validera våra modeller med hjälp av en datauppsättning från olika centra för att avgöra om dessa resultat är giltiga och generaliserbara.

Förväntade resultat: Utvecklingen av två validerade modeller baserade på EHR-data: en för att exakt identifiera patienter med AECOPD och den andra för att exakt identifiera patienter med hög risk för återinläggning inom 30 dagar.