Ped-BERT: Pengesanan Awal Penyakit dan Ramalan Tempoh Penginapan Hospital untuk Pesakit Pediatrik

Pengenalpastian awal penyakit dan tempoh penginapan hospital (LoS) yang berkaitan adalah penting untuk pilihan rawatan yang lebih baik, pengaturan susulan yang lebih berkesan, kadar kelangsungan hidup yang lebih lama, hasil jangka panjang yang lebih baik dan kos penggunaan hospital yang lebih rendah.

Pengenalpastian awal penyakit dan tempoh penginapan hospital (LoS) yang berkaitan adalah penting untuk pilihan rawatan yang lebih baik, pengaturan susulan yang lebih berkesan, kadar kelangsungan hidup yang lebih lama, hasil jangka panjang yang lebih baik dan kos penggunaan hospital yang lebih rendah.

Dalam beberapa tahun kebelakangan ini, kemajuan terobosan dalam ramalan diagnosis dibuat dengan memanfaatkan rekod kesihatan elektronik (EHR) dan seni bina pembelajaran mendalam (DL) lanjutan, seperti rangkaian saraf konvolusi (CNN, cth., Nguyen et al. (Deepr)1), rangkaian saraf berulang (RNN, cth., Choi et al. (Doctor AI)2), rangkaian memori jangka pendek yang panjang (LSTM, cth., Pham et al. (DeepCare)3), dan seni bina yang lebih berkuasa dipanggil Perwakilan Pengekod Dua Arah daripada Transformers (BERT). Sebagai contoh, Li et al.4 memperkenalkan BEHRT, model yang diilhamkan oleh BERT yang digunakan untuk EHR, yang mampu meramalkan kemungkinan lebih daripada 300 keadaan dalam lawatan perubatan masa depan seseorang; Shang et al.5 mencadangkan G-BERT, model yang menggabungkan kuasa rangkaian saraf graf (GNN) dan BERT untuk ramalan diagnosis dan pengesyoran ubat; Rasmy et al.6 memperkenalkan Med-BERT, juga model BERT, untuk menyediakan pembenaman kontekstual terlatih yang dijalankan pada EHR berstruktur berskala besar. Walau bagaimanapun, bilangan kajian yang sangat terhad menumpukan pada memanfaatkan EHR dan seni bina DL yang terkini untuk tugas meramal hospital LoS7,8. Contohnya, Song et al.7 membangunkan SAnD (Simply Attend and Diagnose), model yang diilhamkan DL, untuk meramalkan kod diagnosis dan LoS, antara tugas lain, menggunakan pendekatan klasifikasi berbilang kelas. Anggaran LoS mereka adalah berdasarkan menganalisis peristiwa yang berlaku setiap jam dari masa kemasukan. Selain itu, Hansen et al.8 memperkenalkan M-BERT, model yang diilhamkan oleh BERT yang digunakan pada urutan kejadian pesakit yang dikumpulkan dalam 24 jam pertama kemasukan untuk ramalan LoS binari, berbilang kelas dan berterusan.

Untuk yang terbaik dari kami pengetahuan, kebanyakan kemajuan dalam kesusasteraan ini (a) bergantung pada wakil EHR populasi dewasa4,7,9; (b) perlu menyatakan taburan umur pesakit1,2,5,6,8,10,11,12,13; (c) menganggarkan berapa lama pesakit berkemungkinan tinggal di hospital selepas dimasukkan, bagaimanapun, meramalkan LoS sebelum kemasukan adalah sama penting dalam penjagaan kesihatan pencegahan dan mengoptimumkan peruntukan sumber hospital7,8; (d) menggunakan model yang menumpukan pada meramal diagnosis atau LoS untuk set terhad hasil kesihatan3,10,14; (e) menumpukan pada peningkatan prestasi penilaian risiko kesihatan dengan hanya mengambil kira ketidakteraturan masa antara kejadian klinikal (cth., umur semasa lawatan)1,2,4,8; (f) jangan laporkan prestasi ramalan tentang penyakit jarang berlaku15, atau (g) ​​jangan gunakan maklumat kesihatan dalam rahim untuk ramalan diagnosis.

Walau bagaimanapun, pengesanan awal penyakit berbantukan komputer dan LoS yang berkaitan dengannya memegang kepentingan tertentu dalam bidang pediatrik. Diagnosis dan intervensi yang tepat pada masanya adalah penting untuk meningkatkan kesejahteraan jangka panjang kanak-kanak, seperti yang diketengahkan dalam pelbagai kajian14,15,16,17,18. Akibatnya, kami membangunkan Ped-BERT, seni bina yang diilhamkan oleh BERT19. Model kami dengan tepat meramalkan lebih 100 diagnosis utama yang berpotensi dan tempoh tinggal di hospital yang mungkin dihadapi oleh kanak-kanak semasa lawatan perubatan mereka yang akan datang, dengan bergantung pada benam diagnosis yang telah terlatih. Kami menilai pendekatan kami terhadap dua pengelas kontemporari (regresi logistik dan hutan rawak) dan dua pengelas DL tercanggih (penyahkod pengubah terlatih dan rangkaian saraf dengan benam yang dimulakan secara rawak). Oleh itu, analisis kami boleh berfungsi sebagai alat yang berharga untuk membantu penyelidik dalam menggunakan pembelajaran mesin untuk panduan penjagaan kesihatan pediatrik, oleh itu membantu pakar pediatrik dalam proses membuat keputusan klinikal mereka.

Ped-BERT memanfaatkan set data yang kaya yang merangkumi rekod keluar hospital dan maklumat bilik kecemasan untuk pediatrik, termasuk umur pesakit dan poskod kediaman atau daerah pada masa lawatan. Selain itu, ia boleh menyepadukan data kesihatan ibu secara pilihan daripada kedua-dua tempoh sebelum dan selepas bersalin. Untuk pengetahuan terbaik kami, rangka kerja ramalan kami, memanfaatkan data yang sepadan dengan pasangan ibu dan bayi secara membujur adalah yang pertama seumpamanya. Tambahan pula, set data ini memberi kuasa kepada kami untuk meneroka keupayaan model untuk meramalkan diagnosis primer dan LoS secara serentak dalam lawatan perubatan seterusnya, dan untuk menilai kesaksamaan keseluruhannya, termasuk pemeriksaan sama ada ralat ramalan diagihkan sama rata merentas demografi pasangan ibu-bayi yang berbeza.

Ringkasnya, kami menyumbang kepada literatur seperti berikut: pertama, kami menggunakan set data novel yang menghubungkan rekod perubatan pasangan ibu-bayi antara 1991 dan 2017 di California; kedua, kami membangunkan Ped-BERT, seni bina DL untuk ramalan pengesanan awal risiko kesihatan untuk pesakit pediatrik yang mendapatkan rawatan dalam tetapan pesakit dalam atau kecemasan, dan membandingkan prestasinya dengan kontemporari atau terkini yang lain

Atas ialah kandungan terperinci Ped-BERT: Pengesanan Awal Penyakit dan Ramalan Tempoh Penginapan Hospital untuk Pesakit Pediatrik. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!