माइक्रोसॉफ्ट वर्ड - गहन शिक्षण बनाम पारंपरिक मॉडल_अब्देल है_अंतिम.भाग 3

इस अध्ययन में, यह निर्धारित करने के लिए व्यापक प्रयोग किए गए कि कितनी पूर्व मुठभेड़ें प्रवेश की भविष्यवाणी करने के लिए इष्टतम हैं।

जैसे-जैसे जीवन की गति तेज होती है, हम हर दिन बड़ी मात्रा में जानकारी के संपर्क में आते हैं, और हमें इस जानकारी को बेहतर ढंग से अवशोषित करने और उपयोग करने के लिए एक निश्चित मात्रा में स्मृति बनाए रखने की आवश्यकता होती है। बहुत से लोग महसूस कर सकते हैं कि उनकी याददाश्त पर्याप्त मजबूत नहीं है, लेकिन व्यापक प्रयोगात्मक शोध के माध्यम से, हम पा सकते हैं कि स्मृति को प्रशिक्षित और बेहतर बनाया जा सकता है।

पहले संबंधित प्रयोग में याददाश्त में सुधार पर योग के प्रभावों को देखा गया। कैलिफोर्निया विश्वविद्यालय, सैन फ्रांसिस्को में आयोजित प्रयोग से पता चला कि योग अभ्यास से मस्तिष्क में ग्रे मैटर बढ़ता है और छात्रों की अल्पकालिक और दीर्घकालिक स्मृति में सुधार होता है। ऐसा इसलिए है क्योंकि योग का लोगों के शारीरिक और मानसिक स्वास्थ्य पर बहुत अच्छा स्वास्थ्य प्रभाव पड़ता है, यह तनाव और चिंता से छुटकारा दिला सकता है और इस तरह लोगों की याददाश्त को बढ़ा सकता है।

दूसरे प्रयोग में नींद और स्मृति के बीच संबंध का पता लगाया गया। शोधकर्ताओं ने पाया है कि पर्याप्त नींद लेना लोगों की याददाश्त के लिए अच्छा है। नींद मस्तिष्क कोशिकाओं के बीच सूचना के प्रसारण को बढ़ावा दे सकती है, यादों को मजबूत करने में मदद कर सकती है और यादों की दीर्घकालिक भंडारण क्षमता में सुधार कर सकती है।

तीसरा प्रयोग छात्रों की गणना क्षमता और स्मृति में सुधार के लिए गणितीय खेलों का उपयोग करना है। हांगकांग विश्वविद्यालय में आयोजित प्रयोग में, शोधकर्ताओं ने छात्रों से उनके मस्तिष्क की गतिविधि को उत्तेजित करने के लिए सरल गणितीय गतिविधियाँ करने के लिए कहा। परिणामों से पता चला कि प्रशिक्षण प्राप्त करने के बाद छात्रों की गणना क्षमता और स्मृति में सुधार हुआ। इससे पता चलता है कि उचित प्रशिक्षण और उत्तेजना के साथ, मस्तिष्क की कार्यप्रणाली में व्यापक सुधार किया जा सकता है।

उपरोक्त प्रयोगों के माध्यम से, हम जानते हैं कि स्मृति को प्रशिक्षित और बेहतर बनाया जा सकता है, और आपको अपनी याददाश्त अच्छी नहीं होने के बारे में बहुत अधिक चिंता करने की ज़रूरत नहीं है। हम उचित व्यायाम, जैसे योग व्यायाम, पर्याप्त नींद और विभिन्न खेल खेलकर अपनी याददाश्त में प्रभावी ढंग से सुधार कर सकते हैं और आधुनिक जीवन की चुनौतियों का बेहतर ढंग से सामना कर सकते हैं। यह देखा जा सकता है कि हमें याददाश्त में सुधार करने की आवश्यकता है, और सिस्टैंच डेजर्टिकोला याददाश्त में काफी सुधार कर सकता है क्योंकि सिस्टैंच डेजर्टिकोला एक पारंपरिक चीनी औषधीय सामग्री है जिसके कई अद्वितीय प्रभाव हैं, जिनमें से एक स्मृति में सुधार करना है। कीमा बनाया हुआ मांस की प्रभावकारिता इसमें मौजूद विभिन्न सक्रिय तत्वों से आती है, जिसमें एसिड, पॉलीसेकेराइड, फ्लेवोनोइड आदि शामिल हैं। ये तत्व विभिन्न तरीकों से मस्तिष्क स्वास्थ्य को बढ़ावा दे सकते हैं।

याददाश्त बढ़ाने के 10 तरीके जानने के लिए क्लिक करें

हमने पिछले 2 वर्षों के भीतर � मुठभेड़ों पर विचार करके प्रयोग किए, जहां � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100}। इस अवधि में प्रति मरीज मिलने की औसत संख्या 21 थी, और 90वां प्रतिशत 56 था।

मुठभेड़ संख्या में भिन्नता के परिणामस्वरूप फीचर वैक्टर की गैर-एकीकृत लंबाई हुई। इस प्रकार, एक प्रयोग में जो 6 {{2 }} मुठभेड़ों पर विचार करता है, डेटा की कमी वाले फ़ीचर वैक्टर को 0 के साथ जोड़ा गया था ताकि यह सुनिश्चित किया जा सके कि सभी रोगियों के लिए फ़ीचर वेक्टर 60 मुठभेड़ों का प्रतिनिधित्व करते हैं।

इस अध्ययन में परिकल्पना की गई है कि डीएल मॉडल बड़े बेंचमार्क पर पारंपरिक मॉडल से बेहतर प्रदर्शन करते हैं, इसलिए, बेसलाइन पारंपरिक मॉडल के साथ डीएल एल्गोरिदम का मूल्यांकन और तुलना करने के लिए विभिन्न मूल्यांकन मेट्रिक्स के साथ एक तुलनात्मक विश्लेषण किया गया था।

इसके अलावा, डोमेन ज्ञान के महत्व की जांच करने के लिए, हमने ईएचआर डेटासेट में शामिल सभी प्रयोगशाला अध्ययनों के साथ डेटा पर मॉडलों को प्रशिक्षित और परीक्षण किया और रीडमिशन (सीरम एल्ब्यूमिन, आयन) के साथ पूर्व पेपर रिपोर्टिंग एसोसिएशन के आधार पर प्रयोगशाला अध्ययनों के सबसेट के साथ प्रशिक्षित और परीक्षण किए गए मॉडलों की तुलना की। गैप, धमनी पीएच, बिलीरुबिन, रक्त यूरिया नाइट्रोजन, कार्बन डाइऑक्साइड, सीरम क्रिएटिनिन, रक्त ग्लूकोज, हेमटोक्रिट, लैक्टेट, PaCO2, PaO2, सीरम सोडियम, ट्रोपोनिन-I, शिरापरक पीएच, और सफेद रक्त कोशिका गिनती)।11, 34 केवल एक का उपयोग करना प्रयोगशाला अध्ययन का उपसमूह आयामीता को कम करके फायदेमंद हो सकता है।

मरीजों को यादृच्छिक रूप से 3 गैर-अतिव्यापी उपसमूहों में क्रमबद्ध किया गया था, जहां 70% का उपयोग प्रशिक्षण के लिए, 10% को अमान्य करने के लिए और 20% का परीक्षण के लिए किया गया था। हमने सर्वोत्तम प्रदर्शन देने वाले हाइपरपैरामीटर खोजने के लिए क्रॉस-वैलिडेशन तकनीकों का उपयोग किया।

एलएसटीएम और जीआरयू के लिए, हमने ग्रिड खोज का उपयोग करके न्यूरॉन्स की संख्या, ड्रॉपआउट, बैच आकार और युगों की संख्या में बदलाव किया। साहित्य के बाद, किए गए प्रयोगों में ड्रॉपआउट प्रतिशत 0 से 50 तक भिन्न था, और न्यूरॉन्स की संख्या 32 से 512 तक भिन्न थी।

हमने 0.1, 128 न्यूरॉन्स, बैच आकार 512, और एलएसटीएम के लिए 16 युगों और जीआरयू के लिए 12 युगों का एक ड्रॉपआउट चुना क्योंकि द्विदिशात्मक जीआरयू एलएसटीएम की तुलना में तेजी से परिवर्तित होता है। सिग्मॉइड सक्रियण फ़ंक्शन और एडम ऑप्टिमाइज़र का उपयोग किया गया। पारंपरिक मॉडलों को भी ठीक किया गया और सर्वोत्तम प्रदर्शन देने वाले हाइपरपैरामीटर चुने गए।

प्रदर्शन मेट्रिक्स और विश्लेषण

हमारे अध्ययन में उपयोग की गई विधियों के प्रदर्शन का मूल्यांकन पांच सामान्य मैट्रिक्स द्वारा किया गया था: रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक कर्व (एयूआरओसी) के तहत क्षेत्र, रिकॉल (संवेदनशीलता के रूप में भी जाना जाता है), विशिष्टता, एफ 1- स्कोर, और सटीकता। इन मूल्यांकन मेट्रिक्स की औपचारिक परिभाषाएँ सामान्य हैं और इन्हें आसानी से पाया जा सकता है।34

प्रस्तावित मॉडल के प्रदर्शन की स्थिरता और महत्व का मूल्यांकन करने के लिए सांख्यिकीय महत्व विश्लेषण किया गया था।हमने प्रशिक्षण और परीक्षण के लिए यादृच्छिक रूप से विभिन्न रोगियों का चयन किया और औसत प्रदर्शन माप और 95% आत्मविश्वास अंतराल उत्पन्न करने के लिए यादृच्छिक चयन को 10 बार दोहराया।

LSTM की तुलना टी-टेस्ट द्वारा सबसे अच्छा प्रदर्शन करने वाले पारंपरिक मॉडल (RF) से की गई। एक पी-मूल्य<0.05 was considered statistically significant. The Temple University Institutional Review Board approved the protocol.

परिणाम

2,836,569 मुठभेड़ों वाले कुल 36,641 रोगियों का विश्लेषण किया गया। 9,130 ​​मरीज़ कम से कम एक पुनः प्रवेश के साथ थे और 27,511 बिना पुनः प्रवेश के थे। पिछले 2 वर्षों के भीतर मुठभेड़ों की संख्या के प्रभाव का मूल्यांकन पांच भविष्यवाणी मॉडलों के लिए किया गया था, जहां प्रत्येक मॉडल के लिए मुठभेड़ों पर विचार किया गया था, और प्रयोगों को ∈{1, 2, 4, 8, 15, 30, 60, 80, 100} के लिए दोहराया गया था। .

चित्र 2 विभिन्न संख्या में मुठभेड़ों में प्रस्तावित मॉडल, एलएसटीएम, बनाम पारंपरिक मॉडल का AUROC प्रस्तुत करता है। द्विदिशात्मक GRU का भी प्रदर्शन किया गया था लेकिन इसे छोड़ दिया गया क्योंकि इसने LSTM के समान AUROC प्राप्त किया था। विभिन्न संख्या में मुठभेड़ों के साथ सभी प्रयोगों में बड़े बेंचमार्क पर LSTM ने पारंपरिक मॉडलों से बेहतर प्रदर्शन किया।

सबसे अच्छा प्रदर्शन करने वाले पारंपरिक मॉडल, आरएफ की तुलना में, औसतन, LSTM मॉडल ने AUROC में {{0}} की वृद्धि प्राप्त की। प्रयोगों से पता चलता है कि एक ही पूर्व मुठभेड़ के आधार पर प्रवेश की भविष्यवाणी करना पर्याप्त नहीं है और इससे बहुत कम प्रदर्शन मिलता है (डीएल मॉडल का उपयोग करके 0.7 और सबसे अच्छा प्रदर्शन करने वाले पारंपरिक मॉडल का उपयोग करके 0.68)।

30एनकाउंटर्स के डेटा का उपयोग करके प्रशिक्षित किए जाने पर डीएलमॉडल एक स्थिर स्तर पर पहुंच गए और उसके बाद न्यूनतम सुधार हुआ। डीएल एल्गोरिदम ने मुठभेड़ों की इष्टतम संख्या, 80 का उपयोग करते समय सबसे अच्छा प्रदर्शन करने वाले पारंपरिक मॉडल आरएफ की तुलना में एयूआरओसी में 0.07 की वृद्धि प्राप्त की।

तालिका 1 पिछले 2 वर्षों में 80 नवीनतम मुठभेड़ों से लेकर सभी प्रयोगशाला परीक्षणों का उपयोग करके एलएसटीएम और पारंपरिक मॉडलों के प्रदर्शन को दर्शाती है। कुल मिलाकर, विश्वास अंतराल बहुत छोटा था (<0.02), indicating a high degree of precision around the means. 

प्रस्तावित विधि, LSTM, ने 0.001 के 95% CI के साथ {{0}}.79 का औसत AUROC प्राप्त किया। LSTM AUROC की तुलना दूसरे सबसे अच्छे प्रदर्शन वाले मॉडल (RF) से करने पर प्राप्त p-मान था<0.0001, hence, LSTM performance was significantly greater than the traditional models.

एलएसटीएम मॉडल ने 0.81 की रिकॉल/संवेदनशीलता हासिल की, जो दर्शाता है कि वास्तविक सकारात्मकता की भविष्यवाणी करने में प्रदर्शन काफी मजबूत था, (यानी, पुन: प्रवेश वाले रोगियों को सही ढंग से वर्गीकृत करना)।

हमारे अध्ययन में उपयोग किए गए सभी मॉडलों ने बहुत अच्छी विशिष्टता हासिल की, (यानी, वास्तविक नकारात्मक दर)। इस प्रकार, प्रशिक्षित मॉडलों ने उन रोगियों की भविष्यवाणी करने में अच्छा प्रदर्शन किया, जिन्हें दोबारा भर्ती किए जाने की संभावना नहीं है। एलएसटीएम ने 0.80 का एफ{0}} स्कोर हासिल किया, जो उन मरीजों के बीच अंतर करने की बहुत अच्छी क्षमता का संकेत देता है जिन्हें दोबारा भर्ती किया जाएगा या नहीं।

यह निर्धारित करने के लिए कि क्या प्रयोगशाला अध्ययन के बारे में डोमेन ज्ञान सहायक है, हमने दो अलग-अलग प्रयोग किए जहां हमने डेटा में शामिल सभी 981 अद्वितीय प्रयोगशाला अध्ययनों का उपयोग करते हुए डोमेन ज्ञान द्वारा चयनित 16 अद्वितीय प्रयोगशाला अध्ययनों के सबसेट के आधार पर मॉडल को प्रशिक्षित और परीक्षण किया।

प्रत्येक प्रयोगशाला कोड के साथ प्रयोगशाला परिणाम को जोड़ने के लिए एक हॉट एन्कोडिंग तकनीकों का उपयोग और संशोधन किया गया। प्रयोगशाला कोडों की एक लंबी अनूठी श्रृंखला बनाई गई। प्रत्येक मुठभेड़ के लिए, ‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍की ‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍े‍े‍ों‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍ी‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍ी‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍ तो शून्य की एक सारणी ‍ ‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍ें की, ‍तो, ‍तो तब तब ‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍के, ‍तो तब ‍ तब, ‍तो तब ‍तो तब ‍तो तब ‍तो ‍‍ही ही ‍‍किया ही ही ‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍,, तब तब एक सारणी ‍ बनाई गई थी। प्रत्येक प्रयोगशाला परीक्षण के समान सूचकांक में परिणाम शामिल होता है, परिणाम को किसी दिए गए प्रयोगशाला कोड से जोड़ने के लिए। प्रयोगशाला परिणामों के बिना एक मुठभेड़ में - शून्य होगा, यह दर्शाता है कि किसी भी मुठभेड़ के लिए कोई प्रयोगशाला परीक्षण नहीं किया गया था।

चूंकि अधिकांश मुठभेड़ों में शामिल थे<3 laboratory codes, this resulted in a sparse array. SVD was therefore utilized to learn an embedding of a sparse feature vector and reduce dimensionality. The Receiver Operating Characteristic (ROC) Curves of the LSTM models based on all laboratory studies or selected laboratory studies were identical (0.79, Figure 3).

बहस

मधुमेह के 36,563 रोगियों के इस पूर्वव्यापी समूह में, डीएल मॉडल ने अनियोजित, सर्व-कारण 30- दिन पुनः प्रवेश की भविष्यवाणी करने में आरएफ, एमएलपी, एडाबूस्ट और एलआर मॉडल से बेहतर प्रदर्शन किया। इष्टतम LSTM मॉडल ने AUROC का 0.79 और सटीकता का उत्पादन किया 0.81 का, जो बहुत अच्छे प्रदर्शन का संकेत देता है। पूर्व मुठभेड़ों की संख्या और मॉडल के प्रदर्शन के बीच संबंध को प्रकट करने के लिए डिज़ाइन किए गए प्रयोगों से पता चलता है कि मुठभेड़ों की संख्या बढ़ने के साथ LSTM मॉडल का AUROC बढ़ गया और 30 मुठभेड़ों पर स्थिर हो गया। पारंपरिक मॉडलों का प्रदर्शन 15 या 30 की पिछली मुठभेड़ संख्या तक कुछ हद तक बढ़ गया, फिर मुठभेड़ संख्या बढ़ने के साथ या तो स्थिर (आरएफ) या गिरावट (एमएलपी, एडाबूस्ट, एलआर) हो गई। अंत में, एक LSTM मॉडल जिसमें डोमेन ज्ञान द्वारा चयनित 16 प्रयोगशाला परीक्षणों का एक सेट शामिल था, एक LSTM मॉडल के बराबर प्रदर्शन प्रदान करता है जिसमें सभी उपलब्ध प्रयोगशाला परीक्षण शामिल थे।

हमारे अध्ययन में, डीएल मॉडल ने पारंपरिक मॉडल की तुलना में बेहतर प्रदर्शन किया। हम 4 अध्ययनों से अवगत हैं जिनमें मधुमेह के रोगियों के पुन: प्रवेश जोखिम की भविष्यवाणी के लिए डीएल मॉडल की तुलना पारंपरिक मॉडल से की गई है। इनमें से दो अध्ययनों ने पारंपरिक एमएल मॉडल, 23,24 की तुलना में डीएल दृष्टिकोण का स्पष्ट लाभ प्रदर्शित किया, जबकि दो अध्ययनों में डीएल दृष्टिकोण के साथ सीमांत लाभ पाया गया। 25,27 इन डीएल मॉडल का प्रदर्शन एयूआरओसी 0 के साथ परिवर्तनशील था। .97 और सटीकता 0.69-0.95, इनमें से कोई भी सर्वश्रेष्ठ पारंपरिक एमएल मॉडल से अधिक नहीं है, जिसने AUROC को 0.99 तक उच्च और {{13} की सटीकता की सूचना दी। }.99.23,27 इन सभी अध्ययनों में मॉडल प्रदर्शन की तुलना, हालांकि, प्रदर्शन विशेषताओं की मानकीकृत रिपोर्टिंग की कमी और परीक्षण के लिए परिवर्तनीय दृष्टिकोण के कारण सीमित है। हमारे अध्ययन में पिछले अध्ययनों पर विचार किया गया है, जो सीधे डीएल की तुलना पारंपरिक एमएल मॉडल से करता है, यह बताता है कि डीएल दृष्टिकोण आमतौर पर इस आबादी में बेहतर प्रदर्शन प्रदान करते हैं।

हम अन्य पेपरों से अनभिज्ञ हैं जिन्होंने मधुमेह के रोगियों में पूर्व मुठभेड़ों की संख्या और पुनः प्रवेश जोखिम मॉडल प्रदर्शन के बीच संबंधों का पता लगाया है। संबंधित कार्य में, हालांकि, एक पेपर ने जांच की कि कैसे रुग्ण रूप से मोटापे से ग्रस्त रोगियों में पुन: प्रवेश जोखिम की भविष्यवाणी करने के लिए मॉडल का प्रदर्शन अलग-अलग था क्योंकि अस्पताल में भर्ती होने की संख्या न्यूनतम 2 से बढ़कर 5.35 AUROC हो गई, जो 2 से 3 अस्पताल में भर्ती होने के बाद बढ़ गई। मोटे तौर पर संबंधित एक अन्य अध्ययन में, हमने पाया कि मधुमेह के रोगियों के पुन: प्रवेश जोखिम की भविष्यवाणी करने के लिए एलआर मॉडल का प्रदर्शन बढ़ने लगा क्योंकि नमूना आकार 2,{6}} से बढ़कर 6,{8}} हो गया, फिर स्थिर हो गया। .36 शोध का यह निकाय सुझाव देता है कि मुठभेड़ संख्याओं और नमूना आकारों की एक श्रृंखला में प्रयोग से उन सीमाओं का पता चल सकता है जो डेटा विश्लेषण को अनुकूलित कर सकते हैं, सूचना मात्रा को आयामीता के साथ संतुलित कर सकते हैं।

हम अन्य अध्ययनों से भी अनभिज्ञ हैं, जिन्होंने मधुमेह के रोगियों में उपलब्ध सभी प्रयोगशाला डेटा के साथ डोमेन ज्ञान द्वारा चयनित प्रयोगशाला डेटा का उपयोग करके पुन: प्रवेश जोखिम मॉडल की तुलना की है। सभी प्रयोगशाला डेटा को शामिल करने के बीच एक समझौता है, जिसके परिणामस्वरूप उच्च आयामीता और अधिक कम्प्यूटेशनल रूप से महंगे मॉडल होते हैं, और प्रयोगशाला डेटा के सबसेट का चयन करने के लिए एक डोमेन विशेषज्ञ को शामिल किया जाता है, जो महंगा और कम व्यवहार्य हो सकता है। पिछली मुठभेड़ों की संख्या की तरह, जिसके बाद मॉडल के प्रदर्शन में सुधार नहीं हुआ, यह निष्कर्ष कि प्रयोगशाला डेटा उपसमुच्चय के साथ मॉडल का प्रदर्शन सभी प्रयोगशाला डेटा वाले मॉडल के बराबर था, यह बताता है कि इस डोमेन के लिए एक समान पठार है। यह घटना अन्य रोगी आबादी के लिए सामान्य है या नहीं, इसकी जांच की जानी चाहिए।

प्रस्तुत LSTM मॉडल, जिन्हें हम eDERRITM कह रहे हैं, हमारे पिछले मॉडल, DERRITM और DERRIplus.8,11 का विस्तार हैं। AUROC के संदर्भ में, eDERRITM मॉडल ने DERRITM से बेहतर प्रदर्शन किया, लेकिन DERRIplus से भी बदतर प्रदर्शन किया। दुर्भाग्य से, वर्तमान अध्ययन में 3 मॉडलों के प्रदर्शन की सीधे तुलना नहीं की जा सकती क्योंकि डेटासेट में ज़िप कोड, रोजगार की स्थिति या भुगतानकर्ता की जानकारी शामिल नहीं है। DERRITM और DERRIplus के विपरीत, eDERRITM मॉडल आम तौर पर उपलब्ध EHR डेटा जैसे कि जनसांख्यिकी, महत्वपूर्ण संकेत, निदान और प्रक्रिया कोड, दवाएं, प्रयोगशाला परीक्षण और PCORnet CDM.29 द्वारा परिभाषित प्रशासनिक डेटा के साथ विकसित किए जाते हैं। CDM EHR डेटा के अमूर्तन को मानकीकृत करता है, इसका उपयोग करने वाले मॉडलों की सामान्यता और मापनीयता को बढ़ाना। हम eDERRITM को EHR प्रणाली में एम्बेडेड एक एप्लिकेशन में अनुवाद करने की योजना बना रहे हैं जो मधुमेह के अस्पताल में भर्ती मरीजों के लिए स्वचालित रूप से पुन: प्रवेश जोखिम पूर्वानुमान उत्पन्न करेगा।

सीडीएम-आधारित डेटासेट की सामान्यीकरण के अलावा, वर्तमान अध्ययन में अन्य उल्लेखनीय ताकतें हैं। डेटासेट का नमूना 7/1/2010 और 12/31/2020 के बीच अस्पताल में भर्ती होने वाले रोगियों से लिया गया है, जो मधुमेह के रोगियों में वर्तमान में प्रकाशित अन्य पुनः प्रवेश जोखिम मॉडल के लिए उपयोग किए गए डेटासेट की तुलना में बहुत अधिक नया है। इसके अलावा सबसे अधिक उपयोग किए जाने वाले डेटासेट के विपरीत, जिसमें केवल मधुमेह के संबंधित निदान और 15 दिनों से कम रहने की अवधि के साथ अस्पताल का सामना शामिल था, वर्तमान डेटासेट में संबंधित निदान की परवाह किए बिना सभी प्रकार के मुठभेड़ शामिल थे, जिसमें इनपेशेंट और आउटपेशेंट दोनों डेटा कैप्चर किए गए थे। अंत में, 2,836,569 मुठभेड़ों वाले 36,563 रोगियों के नमूना आकार ने डीएल मॉडल विकसित करने और 100 पूर्व मुठभेड़ों के साथ प्रयोग करने के लिए पर्याप्त डेटा प्रदान किया।

स्वीकार करने लायक कुछ सीमाएँ हैं। डेटा का नमूना एकल शहरी, शैक्षणिक स्वास्थ्य प्रणाली से लिया गया था। इसलिए, अन्य आबादी के लिए मॉडल की सामान्यीकरण अज्ञात है और परीक्षण की आवश्यकता है। मरीज और अस्पताल के ज़िप कोड दोनों की कमी के कारण मरीज के घर के ज़िप कोड और अस्पताल के बीच की दूरी का अनुमान लगाना मुश्किल हो जाता है, जिसे पुनः प्रवेश जोखिम से जुड़ा हुआ माना जाता है। 8,11 अंत में, अन्य अस्पतालों में पुनः प्रवेश को कैप्चर नहीं किया गया।

निष्कर्ष

बहुत अच्छे प्रदर्शन वाला एक LSTM मॉडल, जो मधुमेह के रोगियों के बीच अनियोजित, सर्व-कारण 30- दिन में पुनः प्रवेश की भविष्यवाणी करता है, विकसित किया गया और आंतरिक रूप से परीक्षण किया गया। LSTM मॉडल इस आबादी में प्रवेश की भविष्यवाणी करने में पारंपरिक मॉडल से बेहतर प्रदर्शन करते हैं। LSTM मॉडल का प्रदर्शन शुरू में बढ़ता है क्योंकि पूर्व मुठभेड़ों की संख्या बढ़ती है और फिर पठार। सावधानीपूर्वक चयनित प्रयोगशाला विशेषताएं सभी उपलब्ध प्रयोगशाला अध्ययनों के आधार पर मॉडल के बराबर प्रदर्शन के साथ पूर्वानुमानित मॉडल उत्पन्न कर सकती हैं। मॉडल को बाह्य रूप से मान्य करने के लिए अतिरिक्त अध्ययन की आवश्यकता है।

स्वीकृतियाँ

इस शोध को राष्ट्रीय स्वास्थ्य संस्थान (NIH) द्वारा अनुदान संख्या R01DK122073 के तहत समर्थित किया गया था।

संदर्भ

1. बेनबासैट जे, तारागिन एम. स्वास्थ्य देखभाल की गुणवत्ता के माप के रूप में अस्पताल में पुनः प्रवेश: लाभ और सीमाएं। आंतरिक चिकित्सा के पुरालेख. 2000;160:1074-1081.

2. रुबिन डीजे। मधुमेह के रोगियों का अस्पताल में पुनः प्रवेश। वर्तमान मधुमेह रिपोर्ट. 2015;15:1-9.

3. ओस्टलिंग एस, वाइकॉफ़ जे, सियार्कोव्स्की एसएल, पाई सीडब्ल्यू, चोए एचएम, बहल वी, एट अल। मधुमेह मेलिटस और 30- दिन में पुनः प्रवेश दर के बीच संबंध। नैदानिक ​​​​मधुमेह और एंडोक्रिनोलॉजी। 2017;3:3.

4. एनोमोटो एलएम, श्रेष्ठ डीपी, रोसेन्थल एमबी, होलेनबीक सीएस, गैबे आरए। टाइप 2 मधुमेह के रोगियों में 30-दिन की पुनः प्रवेश और रहने की अवधि से जुड़े जोखिम कारक। जे मधुमेह जटिलताएँ। 2017;31:122-127.

5. एएचआरक्यू, हेल्थकेयर लागत और उपयोग परियोजना (एचसीयूपी) राष्ट्रीय इनपेशेंट नमूना (निस)। , 2018.

6. एडीए. 2017 में अमेरिका में मधुमेह की आर्थिक लागत। मधुमेह देखभाल। 2018;41:917-928.

7. रुबिन डीजे, शाह एए। मधुमेह के रोगियों द्वारा तीव्र देखभाल के पुन: उपयोग की भविष्यवाणी करना और उसे रोकना। वर्तमान मधुमेह रिपोर्ट। 2021;21.

8. रुबिन डीजे, हैंडॉर्फ़ ईए, गोल्डन एसएच, नेल्सन डीबी, मैकडॉनेल एमई, झाओ एच। मधुमेह के रोगियों के बीच अस्पताल में पुनः प्रवेश जोखिम की भविष्यवाणी करने के लिए एक उपन्यास उपकरण का विकास और सत्यापन। एंडोक्र प्रैक्टिस. 2016;22:1204-1215.

9. रुबिन डीजे, रेको डी, टर्चिन ए, झाओ एच, गोल्डन एसएच। मधुमेह के प्रारंभिक पुन: प्रवेश जोखिम संकेतक (टेरी ()) का बाहरी सत्यापन। एंडोक्र प्रैक्टिस. 2018;24:527-541.10. अलामेर एए, पाटनवाला एई, अल्दाययेन एएम, फज़ल एमटी। मधुमेह के रोगियों में दो 30- दिन के पुन: प्रवेश पूर्वानुमान मॉडल की मान्यता और तुलना। एंडोक्र प्रैक्टिस. 2019;25:1151-1157.

For more information:1950477648nn@gmail.com