Ped-BERT : Détection précoce des maladies et prévision de la durée du séjour à l'hôpital pour les patients pédiatriques

L'identification précoce des maladies et de la durée de séjour à l'hôpital (LoS) qui y est associée est essentielle pour de meilleures options de traitement, des modalités de suivi plus efficaces, des taux de survie plus longs, de meilleurs résultats à long terme et des coûts d'utilisation hospitaliers inférieurs.

L'identification précoce des maladies et de la durée de séjour à l'hôpital (LoS) qui y est associée est essentielle pour de meilleures options de traitement, des modalités de suivi plus efficaces, des taux de survie plus longs, de meilleurs résultats à long terme et une réduction des coûts d'utilisation des hôpitaux.

Ces dernières années, des progrès révolutionnaires dans la prédiction des diagnostics ont été réalisés en tirant parti des dossiers de santé électroniques (DSE) et des architectures avancées d'apprentissage profond (DL), telles que les réseaux neuronaux convolutifs (CNN, par exemple Nguyen et al. (Deepr)1), les réseaux neuronaux récurrents (RNN, par exemple, Choi et al. (Doctor AI)2), des réseaux de mémoire à long terme (LSTM, par exemple, Pham et al. (DeepCare)3), et une architecture encore plus puissante appelée Représentation d'encodeur bidirectionnel à partir de transformateurs (BERT). Par exemple, Li et al.4 introduisent BEHRT, un modèle inspiré du BERT appliqué au DSE, capable de prédire la probabilité de plus de 300 affections lors d’une future visite médicale ; Shang et al.5 proposent G-BERT, un modèle qui combine la puissance des réseaux de neurones graphiques (GNN) et du BERT pour la prédiction du diagnostic et la recommandation de médicaments ; Rasmy et al.6 introduisent Med-BERT, également un modèle BERT, pour fournir des intégrations contextualisées pré-entraînées exécutées sur des DSE structurés à grande échelle. Cependant, un nombre très limité d’études se concentrent sur l’exploitation des architectures DSE et DL de pointe pour prédire la LoS des hôpitaux7,8. Par exemple, Song et al.7 développent SAnD (Simply Attend and Diagnose), un modèle inspiré du DL, pour prédire les codes de diagnostic et la LoS, entre autres tâches, en utilisant une approche de classification multiclasse. Leur estimation de la LoS est basée sur l'analyse d'événements se produisant toutes les heures à partir de l'heure d'admission. De plus, Hansen et al.8 présentent M-BERT, un modèle inspiré de BERT appliqué aux séquences d'événements de patients rassemblés au cours des 24 premières heures suivant l'admission pour une prédiction binaire, multi-classe et continue de la LoS.

Au meilleur de notre connaissances, la plupart des avancées dans cette littérature (a) reposent sur un DSE représentatif de la population adulte4,7,9 ; (b) nécessité de préciser la répartition par âge des patients1,2,5,6,8,10,11,12,13 ; (c) estimer la durée pendant laquelle un patient est susceptible de rester à l'hôpital après son admission. Cependant, prévoir la LoS avant l'admission est tout aussi pertinent pour les soins de santé préventifs et l'optimisation de l'allocation des ressources hospitalières7,8 ; (d) utiliser des modèles axés sur la prévision du diagnostic ou de la LoS pour un ensemble limité de résultats en matière de santé3,10,14 ; (e) se concentrer sur l’amélioration des performances d’évaluation des risques pour la santé en tenant compte uniquement de l’irrégularité temporelle entre les événements cliniques (par exemple, l’âge au moment de la visite)1,2,4,8 ; (f) ne rendent pas compte des performances de prédiction des maladies rares15, ou (g) ​​n'utilisent pas d'informations sur la santé in utero pour la prédiction du diagnostic.

Cependant, la détection précoce assistée par ordinateur des maladies et leur LoS associée revêtent une importance particulière dans le domaine de la pédiatrie. Un diagnostic et une intervention opportuns sont cruciaux pour améliorer le bien-être à long terme des enfants, comme le soulignent diverses études14,15,16,17,18. Par conséquent, nous développons Ped-BERT, une architecture inspirée de BERT19. Notre modèle prédit avec précision plus de 100 diagnostics primaires potentiels et la durée du séjour à l'hôpital auquel un enfant pourrait être confronté lors de sa prochaine visite médicale, en s'appuyant sur des diagnostics intégrés pré-entraînés. Nous évaluons notre approche par rapport à deux classificateurs contemporains (une régression logistique et une forêt aléatoire) et deux classificateurs DL de pointe (un décodeur de transformateur pré-entraîné et un réseau neuronal avec des intégrations initialisées de manière aléatoire). Ainsi, notre analyse pourrait constituer un outil précieux pour aider les chercheurs à utiliser l’apprentissage automatique pour guider les soins de santé pédiatriques, aidant ainsi les pédiatres dans leurs processus de prise de décision clinique.

Ped-BERT exploite un riche ensemble de données comprenant les dossiers de sortie d'hôpital et les informations sur les salles d'urgence pour la pédiatrie, y compris l'âge du patient et le code postal ou le comté résidentiel au moment de la visite. De plus, il peut éventuellement intégrer des données sur la santé maternelle des périodes pré et postnatales. Au meilleur de nos connaissances, notre cadre de prédiction, exploitant des données qui correspondent longitudinalement aux paires mère-bébé, est le premier du genre. En outre, cet ensemble de données nous permet d'explorer la capacité du modèle à prédire simultanément le diagnostic primaire et la LoS lors de la prochaine visite médicale, et d'évaluer son équité globale, notamment en examinant si les erreurs de prédiction sont uniformément réparties entre différentes données démographiques des couples mère-bébé.

En résumé, nous contribuons à la littérature comme suit : premièrement, nous utilisons un nouvel ensemble de données qui relie les dossiers médicaux des couples mère-bébé entre 1991 et 2017 en Californie ; Deuxièmement, nous développons Ped-BERT, une architecture DL pour la prédiction de détection précoce des risques pour la santé des patients pédiatriques recherchant des soins en milieu hospitalier ou d'urgence, et comparons ses performances à d'autres architectures contemporaines ou à la pointe de la technologie.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!