Ped-BERT: Früherkennung von Krankheiten und Vorhersage der Dauer des Krankenhausaufenthalts bei pädiatrischen Patienten

Die frühzeitige Erkennung von Krankheiten und der damit verbundenen Krankenhausaufenthaltsdauer (LoS) ist für bessere Behandlungsmöglichkeiten, effektivere Nachsorgeregelungen, längere Überlebensraten, verbesserte Langzeitergebnisse und niedrigere Krankenhausnutzungskosten von entscheidender Bedeutung.

Die frühzeitige Erkennung von Krankheiten und der damit verbundenen Krankenhausaufenthaltsdauer (LoS) ist für bessere Behandlungsmöglichkeiten, effektivere Nachsorgeregelungen, längere Überlebensraten, verbesserte Langzeitergebnisse und niedrigere Krankenhausnutzungskosten von entscheidender Bedeutung.

In den letzten Jahren Durch die Nutzung elektronischer Gesundheitsakten (EHR) und fortschrittlicher Deep-Learning-Architekturen (DL) wie Faltungs-Neuronale Netze (CNN, z. B. Nguyen et al. (Deepr)1), wiederkehrende Neuronale Netze (RNN, B. Choi et al. (Doctor AI)2), Netzwerke mit langem Kurzzeitgedächtnis (LSTM, z. B. Pham et al. (DeepCare)3) und eine noch leistungsfähigere Architektur namens BiDirectional Encoder Representation from Transformers (BERT). Li et al.4 stellen beispielsweise BEHRT vor, ein BERT-inspiriertes Modell, das auf EHR angewendet wird und in der Lage ist, die Wahrscheinlichkeit von mehr als 300 Erkrankungen bei einem zukünftigen Arztbesuch vorherzusagen; Shang et al.5 schlagen G-BERT vor, ein Modell, das die Leistungsfähigkeit von Graph Neural Networks (GNN) und BERT zur Diagnosevorhersage und Medikamentenempfehlung kombiniert; Rasmy et al.6 führen Med-BERT ein, ebenfalls ein BERT-Modell, um vorab trainierte kontextualisierte Einbettungen bereitzustellen, die auf groß angelegten strukturierten EHR ausgeführt werden. Eine sehr begrenzte Anzahl von Studien konzentriert sich jedoch auf die Nutzung von EHR und hochmodernen DL-Architekturen für die Aufgabe, den LoS von Krankenhäusern vorherzusagen7,8. Song et al.7 entwickeln beispielsweise SAnD (Simply Attend and Diagnose), ein DL-inspiriertes Modell, um unter anderem Diagnosecodes und LoS mithilfe eines Mehrklassen-Klassifizierungsansatzes vorherzusagen. Ihre LoS-Schätzung basiert auf der Analyse von Ereignissen, die ab dem Eintrittszeitpunkt stündlich auftreten. Darüber hinaus stellen Hansen et al.8 M-BERT vor, ein von BERT inspiriertes Modell, das auf Sequenzen von Patientenereignissen angewendet wird, die innerhalb der ersten 24 Stunden nach der Aufnahme erfasst wurden, zur binären, mehrklassigen und kontinuierlichen LoS-Vorhersage.

Nach bestem Wissen und Gewissen Wissens basieren die meisten Fortschritte in dieser Literatur (a) auf EHR-Repräsentanten der erwachsenen Bevölkerung4,7,9; (b) die Altersverteilung des Patienten muss angegeben werden1,2,5,6,8,10,11,12,13; (c) abzuschätzen, wie lange ein Patient nach seiner Aufnahme voraussichtlich im Krankenhaus bleiben wird; die Prognose des Patientenfortschritts vor der Aufnahme ist jedoch gleichermaßen wichtig für die Gesundheitsvorsorge und die Optimierung der Ressourcenzuweisung im Krankenhaus7,8; (d) Modelle verwenden, die sich auf die Vorhersage von Diagnosen oder LoS für eine begrenzte Anzahl von Gesundheitsergebnissen konzentrieren3,10,14; (e) sich auf die Verbesserung der Leistung der Gesundheitsrisikobewertung konzentrieren, indem nur die zeitliche Unregelmäßigkeit zwischen klinischen Ereignissen berücksichtigt wird (z. B. Alter zum Zeitpunkt des Besuchs)1,2,4,8; (f) keine Vorhersageleistung bei seltenen Krankheiten melden15 oder (g) keine In-utero-Gesundheitsinformationen für die Diagnosevorhersage verwenden Pädiatrie. Eine rechtzeitige Diagnose und Intervention sind entscheidend für die Verbesserung des langfristigen Wohlbefindens von Kindern, wie in verschiedenen Studien hervorgehoben14,15,16,17,18. Deshalb entwickeln wir Ped-BERT, eine von BERT19 inspirierte Architektur. Unser Modell prognostiziert genau über 100 potenzielle Primärdiagnosen und die Dauer des Krankenhausaufenthalts, mit dem ein Kind bei seinem bevorstehenden Arztbesuch rechnen muss, indem es sich auf vorab trainierte Diagnoseeinbettungen stützt. Wir bewerten unseren Ansatz anhand zweier moderner Klassifikatoren (einer logistischen Regression und einer Zufallsstruktur) und zweier hochmoderner DL-Klassifikatoren (einem vorab trainierten Transformatordecoder und einem neuronalen Netzwerk mit zufällig initialisierten Einbettungen). Somit könnte unsere Analyse als wertvolles Instrument dienen, um Forschern dabei zu helfen, maschinelles Lernen für die pädiatrische Gesundheitsberatung zu nutzen und so Kinderärzte bei ihren klinischen Entscheidungsprozessen zu unterstützen.

Ped-BERT nutzt einen umfangreichen Datensatz, der Aufzeichnungen über Krankenhausentlassungen und Informationen zur Notaufnahme für die Pädiatrie umfasst, einschließlich des Alters des Patienten und der Postleitzahl oder des Landkreises des Wohnorts zum Zeitpunkt des Besuchs. Darüber hinaus können optional Daten zur mütterlichen Gesundheit aus der prä- und postnatalen Phase integriert werden. Nach unserem besten Wissen ist unser Vorhersagerahmen, der Daten nutzt, die Mutter-Kind-Paare in Längsrichtung abgleichen, das erste seiner Art. Darüber hinaus ermöglicht uns dieser Datensatz, die Fähigkeit des Modells zu untersuchen, gleichzeitig die Primärdiagnose und den LoS beim nächsten Arztbesuch vorherzusagen, und seine Gesamtgerechtigkeit zu bewerten, einschließlich einer Untersuchung, ob Vorhersagefehler gleichmäßig auf verschiedene Bevölkerungsgruppen von Mutter-Kind-Paaren verteilt sind.

Zusammenfassend tragen wir wie folgt zur Literatur bei: Erstens verwenden wir einen neuartigen Datensatz, der medizinische Aufzeichnungen von Mutter-Kind-Paaren zwischen 1991 und 2017 in Kalifornien verknüpft; Zweitens entwickeln wir Ped-BERT, eine DL-Architektur zur Früherkennung und Vorhersage von Gesundheitsrisiken für pädiatrische Patienten, die stationäre oder Notfallversorgung suchen, und vergleichen ihre Leistung mit anderen aktuellen oder hochmodernen

Das obige ist der detaillierte Inhalt vonPed-BERT: Früherkennung von Krankheiten und Vorhersage der Dauer des Krankenhausaufenthalts bei pädiatrischen Patienten. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!