Microsoft Word - Pembelajaran Mendalam Vs Model Tradisional_Abdel Hai_Final.Bagian 3

Dalam studi ini, eksperimen ekstensif dilakukan untuk menentukan berapa banyak pertemuan sebelumnya yang optimal untuk memprediksi penerimaan kembali.

Seiring dengan semakin cepatnya laju kehidupan, kita dihadapkan pada sejumlah besar informasi setiap hari, dan kita perlu mempertahankan sejumlah memori agar dapat menyerap dan memanfaatkan informasi ini dengan lebih baik. Banyak orang mungkin merasa bahwa ingatan mereka tidak cukup kuat, namun melalui penelitian eksperimental yang ekstensif, kita dapat menemukan bahwa ingatan dapat dilatih dan ditingkatkan.

Eksperimen terkait pertama mengamati efek yoga pada peningkatan daya ingat. Eksperimen yang dilakukan di Universitas California, San Francisco, menunjukkan bahwa latihan yoga meningkatkan materi abu-abu di otak dan meningkatkan memori jangka pendek dan jangka panjang siswa. Hal ini karena yoga memiliki efek kesehatan yang sangat baik terhadap kesehatan fisik dan mental masyarakat, dapat menghilangkan stres dan kecemasan, sehingga meningkatkan daya ingat masyarakat.

Eksperimen kedua mengeksplorasi hubungan antara tidur dan ingatan. Para peneliti menemukan bahwa tidur yang cukup baik untuk daya ingat seseorang. Tidur dapat meningkatkan transmisi informasi antar sel otak, membantu mengkonsolidasikan ingatan, dan meningkatkan kapasitas penyimpanan ingatan jangka panjang.

Eksperimen ketiga adalah menggunakan permainan matematika untuk meningkatkan kemampuan berhitung dan daya ingat siswa. Dalam percobaan yang dilakukan di Universitas Hong Kong, peneliti meminta siswa melakukan aktivitas matematika sederhana untuk merangsang aktivitas otak mereka. Hasil penelitian menunjukkan bahwa setelah mendapat pelatihan, kemampuan berhitung dan daya ingat siswa meningkat. Hal ini menunjukkan bahwa dengan pelatihan dan stimulasi yang tepat, fungsi otak dapat ditingkatkan secara menyeluruh.

Melalui eksperimen di atas, kami mengetahui bahwa daya ingat dapat dilatih dan ditingkatkan, dan Anda tidak perlu terlalu khawatir jika daya ingat Anda tidak cukup baik. Kita dapat secara efektif meningkatkan daya ingat dan mengatasi tantangan kehidupan modern dengan lebih baik dengan melakukan latihan yang tepat, seperti latihan yoga, tidur yang cukup, dan berbagai permainan. Terlihat bahwa kita perlu meningkatkan daya ingat, dan Cistanche deserticola dapat meningkatkan daya ingat secara signifikan karena Cistanche deserticola merupakan bahan obat tradisional Tiongkok yang memiliki banyak khasiat unik, salah satunya meningkatkan daya ingat. Khasiat daging cincang berasal dari berbagai bahan aktif yang dikandungnya, antara lain asam, polisakarida, flavonoid, dll. Bahan-bahan tersebut dapat meningkatkan kesehatan otak dengan berbagai cara.

Klik tahu 10 cara meningkatkan daya ingat

Kami melakukan eksperimen dengan mempertimbangkan � pertemuan dalam 2 tahun sebelumnya, di mana � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100}. Jumlah rata-rata pertemuan per pasien pada periode ini adalah 21, dan persentil ke-90 adalah 56.

Variasi jumlah perjumpaan mengakibatkan panjang vektor fitur tidak seragam. Jadi, dalam percobaan yang mempertimbangkan hingga 60 pertemuan, vektor fitur yang tidak memiliki data diisi dengan 0 untuk memastikan bahwa vektor fitur untuk semua pasien mewakili 60 pertemuan.

Studi ini berhipotesis bahwa model DL mengungguli model tradisional pada benchmark yang besar, oleh karena itu, analisis komparatif dengan berbagai metrik evaluasi dilakukan untuk mengevaluasi dan membandingkan algoritma DL dengan model tradisional dasar.

Selain itu, untuk menguji pentingnya pengetahuan domain, kami melatih dan menguji model pada data dengan semua penelitian laboratorium yang termasuk dalam kumpulan data EHR dan membandingkan dengan model yang dilatih dan diuji dengan subset penelitian laboratorium berdasarkan makalah sebelumnya yang melaporkan hubungan dengan penerimaan kembali (serum albumin, anion gap, pH arteri, bilirubin, nitrogen urea darah, karbon dioksida, kreatinin serum, glukosa darah, hematokrit, laktat, PaCO2, PaO2, natrium serum, troponin-I, pH vena, dan jumlah sel darah putih).11, 34 Hanya menggunakan a bagian dari penelitian laboratorium mungkin bermanfaat dengan mengurangi dimensi.

Pasien diurutkan secara acak menjadi 3 subset yang tidak tumpang tindih, dimana 70% digunakan untuk pelatihan, 10% untuk validasi, dan 20% untuk pengujian. Kami menggunakan teknik validasi silang untuk menemukan hyperparameter yang menghasilkan performa terbaik.

Untuk LSTM dan GRU, kami memvariasikan jumlah neuron, dropout, ukuran batch, dan jumlah epoch menggunakan pencarian grid. Mengikuti literatur, persentase putus sekolah dalam percobaan yang dilakukan bervariasi dari 0 hingga 50, dan jumlah neuron bervariasi dari 32 hingga 512.

Kami memilih dropout 0.1, 128 neuron, ukuran batch 512, dan 16 epoch untuk LSTM, dan 12 epoch untuk GRU karena GRU dua arah menyatu lebih cepat daripada 1-cara fungsi aktivasi LSTM.Sigmoid dan pengoptimal Adam digunakan. Model tradisional juga telah disempurnakan dan dipilihlah hyperparameter yang menghasilkan performa terbaik.

Metrik dan analisis kinerja

Performa metode yang digunakan dalam penelitian kami dievaluasi berdasarkan lima metrik umum: Area di Bawah Kurva Karakteristik Operasi Penerima (AUROC), Perolehan (juga dikenal sebagai Sensitivitas), Spesifisitas, skor F1-, dan Akurasi. Definisi formal dari metrik evaluasi ini bersifat umum dan dapat ditemukan dengan mudah.34

Analisis signifikansi statistik dilakukan untuk mengevaluasi stabilitas dan signifikansi kinerja model yang diusulkan.Kami secara acak memilih pasien yang berbeda untuk pelatihan dan pengujian dan mengulangi pemilihan acak sebanyak 10 kali untuk menghasilkan ukuran kinerja rata-rata dan interval kepercayaan 95%.

LSTM dibandingkan dengan model tradisional (RF) yang berkinerja terbaik melalui uji-t. Nilai p<0.05 was considered statistically significant. The Temple University Institutional Review Board approved the protocol.

Hasil

Sebanyak 36.641 pasien dengan 2.836.569 pertemuan dianalisis. Terdapat 9.130 pasien dengan setidaknya satu kali rawat inap kembali dan 27.511 tanpa rawat inap kembali. Pengaruh jumlah pertemuan dalam 2 tahun sebelumnya dievaluasi untuk lima model prediksi dimana � pertemuan dianggap untuk setiap model, dan percobaan diulangi untuk � ∈{1, 2, 4, 8, 15, 30, 60, 80, 100} .

Gambar 2 menyajikan AUROC dari model yang diusulkan, LSTM, versus model tradisional di berbagai jumlah pertemuan. GRU dua arah juga dilakukan tetapi dihilangkan karena mencapai AUROC yang identik dengan LSTM. LSTM mengungguli model tradisional pada tolok ukur yang besar di semua eksperimen dengan jumlah pertemuan yang berbeda.

Rata-rata, model LSTM menghasilkan peningkatan AUROC sebesar {{0}}.06 jika dibandingkan dengan model tradisional dengan kinerja terbaik, RF. Eksperimen menunjukkan bahwa memprediksi penerimaan kembali berdasarkan satu pertemuan sebelumnya tidaklah cukup dan menghasilkan kinerja yang jauh lebih rendah (0,7 menggunakan model DL dan 0,68 menggunakan model tradisional dengan kinerja terbaik).

Model DL mencapai puncaknya saat dilatih menggunakan data dari 30pertemuan dengan peningkatan minimal setelahnya. Algoritma DL menghasilkan peningkatan AUROC sebesar 0,07 dibandingkan model RF tradisional dengan kinerja terbaik ketika menggunakan jumlah pertemuan optimal, 80.

Tabel 1 menunjukkan kinerja LSTM dan model tradisional menggunakan seluruh uji laboratorium hingga 80 pertemuan terbaru dalam 2 tahun sebelumnya. Secara keseluruhan, interval kepercayaannya sangat kecil (<0.02), indicating a high degree of precision around the means. 

Metode yang diusulkan, LSTM, memperoleh rata-rata AUROC sebesar {{0}},79 dengan CI 95% sebesar 0,001. Nilai p yang diperoleh dengan membandingkan LSTM AUROC dengan model dengan kinerja terbaik kedua (RF) adalah<0.0001, hence, LSTM performance was significantly greater than the traditional models.

Model LSTM mencapai Recall/Sensitivitas sebesar 00,81, yang menunjukkan bahwa kinerjanya cukup kuat dalam memprediksi hasil positif yang sebenarnya, (yaitu, mengklasifikasikan pasien yang masuk kembali dengan benar).

Semua model yang digunakan dalam penelitian kami mencapai spesifisitas yang sangat baik (yaitu tingkat negatif sebenarnya). Oleh karena itu, model yang dilatih memiliki kinerja yang baik dalam memprediksi pasien yang kemungkinan besar tidak akan dirawat kembali. LSTM memperoleh skor F{{0}}sebesar 0,80 yang menunjukkan kemampuan yang sangat baik dalam membedakan pasien yang akan diterima kembali atau tidak.

Untuk menentukan apakah pengetahuan domain tentang studi laboratorium bermanfaat, kami melakukan dua eksperimen berbeda di mana kami melatih dan menguji model berdasarkan subkumpulan 16 studi laboratorium unik yang dipilih berdasarkan pengetahuan domain versus menggunakan seluruh 981 studi laboratorium unik yang disertakan dalam data.

Teknik pengkodean One Hot digunakan dan dimodifikasi untuk mengaitkan hasil laboratorium dengan setiap kode laboratorium. Serangkaian kode laboratorium yang panjang dan unik������_���_����� telah dibuat. Untuk setiap pertemuan, array nol � dengan panjang yang sama dengan ������_���_����� telah dibuat. �terdiri dari hasil pada indeks yang sama dari setiap pengujian laboratorium di������_���_��������, untuk mengaitkan hasil dengan kode laboratorium tertentu. Pertemuan tanpa hasil laboratorium akan bernilai � nol, yang menunjukkan bahwa tidak ada tes laboratorium yang dilakukan untuk pertemuan tertentu.

Karena sebagian besar pertemuan berisi<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).

Diskusi

Dalam kohort retrospektif yang terdiri dari 36.563 pasien diabetes, model DL mengungguli model RF, MLP, AdaBoost, dan LR dalam memprediksi penerimaan kembali pasien yang tidak direncanakan dan disebabkan oleh semua penyebab 30-hari. Model LSTM yang optimal menghasilkan AUROC sebesar 0,79 dan akurasi sebesar 0,81, yang menunjukkan performa yang sangat baik. Eksperimen yang dirancang untuk mengungkapkan hubungan antara jumlah pertemuan sebelumnya dan kinerja model menunjukkan bahwa AUROC model LSTM meningkat seiring dengan meningkatnya jumlah pertemuan dan tidak berubah pada 30 pertemuan. Kinerja model tradisional meningkat ke tingkat yang lebih rendah hingga jumlah pertemuan sebelumnya sebesar 15 atau 30, kemudian menjadi stabil (RF) atau menurun (MLP, AdaBoost, LR) seiring dengan meningkatnya jumlah pertemuan. Terakhir, model LSTM yang mencakup serangkaian 16 uji laboratorium yang dipilih berdasarkan pengetahuan domain menghasilkan kinerja yang setara dengan model LSTM yang mencakup semua uji laboratorium yang tersedia.

Dalam penelitian kami, model DL memiliki kinerja lebih baik dibandingkan model tradisional. Kami mengetahui 4 penelitian yang membandingkan model DL dengan model tradisional untuk memprediksi risiko masuk kembali pasien diabetes. Dua dari penelitian ini menunjukkan keunggulan yang jelas dari pendekatan DL dibandingkan model ML tradisional,23,24 sementara dua penelitian menemukan manfaat kecil dengan pendekatan DL.25,27 Performa model DL ini bervariasi dengan AUROC 0.61-0 .97 dan akurasi 0.69-0.95, tidak ada satupun yang melebihi model ML tradisional terbaik, yang melaporkan AUROC setinggi 0.99dan akurasi {{13} }.99.23,27 Namun, perbandingan kinerja model di seluruh studi ini dibatasi oleh kurangnya pelaporan standar mengenai karakteristik kinerja dan pendekatan variabel terhadap pengujian. Penelitian kami yang mempertimbangkan penelitian sebelumnya yang secara langsung membandingkan DL dengan model ML tradisional, menunjukkan bahwa pendekatan DL biasanya menghasilkan kinerja yang lebih baik pada populasi ini.

Kami tidak mengetahui adanya makalah lain yang mengeksplorasi hubungan antara jumlah pertemuan sebelumnya dan kinerja model risiko rawat inap kembali pada pasien diabetes. Namun, dalam penelitian terkait, sebuah makalah meneliti bagaimana kinerja model untuk memprediksi risiko masuk kembali pada pasien obesitas yang tidak sehat bervariasi seiring dengan peningkatan jumlah rawat inap dari minimal 2 hingga 5,35 AUROC meningkat dari 2 menjadi 3 rawat inap, kemudian mendatar. Dalam penelitian lain yang terkait secara luas, kami menemukan bahwa kinerja model LR untuk memprediksi risiko masuk kembali pasien diabetes cenderung meningkat seiring dengan peningkatan ukuran sampel dari 2,000 hingga 6,000, kemudian mendatar .36 Penelitian ini menunjukkan bahwa eksperimen pada berbagai jumlah pertemuan dan ukuran sampel dapat mengungkap ambang batas yang dapat mengoptimalkan analisis data, menyeimbangkan kuantitas informasi dengan dimensi.

Kami juga tidak mengetahui adanya penelitian lain yang membandingkan model risiko penerimaan kembali menggunakan data laboratorium yang dipilih berdasarkan pengetahuan domain dengan semua data laboratorium yang tersedia pada pasien diabetes. Ada trade-off antara memasukkan semua data laboratorium, yang menghasilkan dimensi yang lebih tinggi dan model komputasi yang lebih mahal, dan melibatkan pakar domain untuk memilih subset data laboratorium, yang bisa jadi mahal dan kurang layak. Seperti jumlah pertemuan sebelumnya yang kinerja modelnya tidak mengalami peningkatan, temuan bahwa kinerja model dengan subset data laboratorium setara dengan model dengan semua data laboratorium menunjukkan bahwa terdapat kondisi stabil yang serupa untuk domain ini. Apakah fenomena ini dapat digeneralisasikan ke populasi pasien lain atau tidak, harus diselidiki.

Model LSTM yang disajikan, yang kami sebut eDERRITM, merupakan perpanjangan dari model kami sebelumnya, DERRITM dan DERRIplus.8,11 Dalam hal AUROC, model eDERRITM berkinerja lebih baik daripada DERRITM tetapi lebih buruk daripada DERRIplus. Sayangnya, kinerja ketiga model tersebut tidak dapat dibandingkan secara langsung dalam penelitian ini karena kumpulan data tidak menyertakan kode pos, status pekerjaan, atau informasi pembayar. Berbeda dengan DERRITM dan DERRIplus, model eDERRITM dikembangkan dengan data EHR yang tersedia secara umum seperti demografi, tanda-tanda vital, kode diagnostik dan prosedur, obat-obatan, tes laboratorium, dan data administratif seperti yang ditentukan oleh PCORnet CDM.29 CDM menstandarkan abstraksi data EHR, meningkatkan generalisasi dan skalabilitas model yang menggunakannya. Kami berencana untuk menerjemahkan eDERRITM ke dalam aplikasi yang tertanam dalam sistem EHR yang secara otomatis akan menghasilkan prediksi risiko masuk kembali untuk pasien diabetes yang dirawat di rumah sakit.

Selain kemampuan generalisasi data berbasis CDM, penelitian ini juga mempunyai kekuatan penting lainnya. Kumpulan data ini diambil sampelnya dari pasien yang dirawat di rumah sakit antara 1/7/2010 hingga 31/12/2020, yang jauh lebih baru dibandingkan kumpulan data yang digunakan untuk model risiko masuk kembali pasien diabetes yang diterbitkan saat ini. Berbeda dengan kumpulan data yang paling banyak digunakan, yang hanya mencakup pertemuan di rumah sakit dengan diagnosis terkait diabetes dan lama rawat inap kurang dari 15 hari, kumpulan data saat ini mencakup semua jenis pertemuan terlepas dari diagnosis terkait, yang mencakup data rawat inap dan rawat jalan. Terakhir, ukuran sampel sebanyak 36.563 pasien dengan 2.836.569 pertemuan memberikan data yang cukup untuk mengembangkan model DL dan melakukan eksperimen hingga 100 pertemuan sebelumnya.

Ada beberapa batasan yang perlu diketahui. Data diambil sampelnya dari satu sistem kesehatan akademis perkotaan. Oleh karena itu, kemampuan generalisasi model terhadap populasi lain tidak diketahui dan memerlukan pengujian. Kurangnya kode pos pasien dan rumah sakit menghalangi perkiraan jarak antara kode pos rumah pasien dan rumah sakit, yang diketahui berhubungan dengan risiko penerimaan kembali.8,11 Terakhir, penerimaan kembali ke rumah sakit lain tidak dicatat.

Kesimpulan

Model LSTM dengan performa sangat baik dalam memprediksi penerimaan kembali pasien diabetes yang tidak direncanakan dan disebabkan semua penyebab 30-hari telah dikembangkan dan diuji secara internal. Model LSTM mengungguli model tradisional dalam memprediksi penerimaan kembali pada populasi ini. Performa model LSTM awalnya meningkat seiring dengan meningkatnya jumlah pertemuan sebelumnya dan kemudian mendatar. Fitur laboratorium yang dipilih dengan cermat dapat menghasilkan model prediktif dengan kinerja yang setara dengan model berdasarkan semua studi laboratorium yang tersedia. Studi tambahan diperlukan untuk memvalidasi model secara eksternal.

Ucapan Terima Kasih

Penelitian ini didukung oleh National Health Institute (NIH) dengan nomor hibah R01DK122073.

Referensi

1. Benbassat J, Taragin M. Penerimaan kembali Rumah Sakit sebagai ukuran kualitas pelayanan kesehatan: Keuntungan dan keterbatasan. Arsip Penyakit Dalam. 2000;160:1074-1081.

2. Rubin DJ. Penerimaan kembali pasien diabetes di rumah sakit. Laporan Diabetes Saat Ini. 2015;15:1-9.

3. Ostling S, Wyckoff J, Ciarkowski SL, Pai CW, Choe HM, Bahl V, dkk. Hubungan antara diabetes melitus dan tingkat masuk kembali ke rumah sakit 30-hari. Diabetes Klinis dan Endokrinologi. 2017;3:3.

4. Enomoto LM, Shrestha DP, Rosenthal MB, Hollenbeak CS, Gabbay RA. Faktor risiko yang terkait dengan 30-hari masuk kembali dan lama rawat inap pada pasien diabetes tipe 2. J Komplikasi Diabetes. 2017;31:122-127.

5. AHRQ, Proyek biaya dan pemanfaatan layanan kesehatan (hcup) sampel rawat inap nasional (nis). , 2018.

6.ADA. Biaya ekonomi diabetes di AS pada tahun 2017. Perawatan Diabetes. 2018;41:917-928.

7.Rubin DJ, Shah AA. Memprediksi dan mencegah pemanfaatan kembali perawatan akut oleh pasien diabetes. Laporan Diabetes Saat Ini. 2021;21.

8. Rubin DJ, Handorf EA, Golden SH, Nelson DB, McDonnell ME, Zhao H. Pengembangan dan validasi alat baru untuk memprediksi risiko masuk kembali ke rumah sakit di antara pasien diabetes. Praktek Endokr. 2016;22:1204-1215.

9. Rubin DJ, Recco D, Turchin A, Zhao H, Golden SH. Validasi eksternal dari indikator risiko masuk kembali dini diabetes (Terri ()). Praktek Endokr. 2018;24:527-541.10. Alamer AA, Patanwala AE, Aldayyen AM, Fazel MT. Validasi dan perbandingan dua model prediksi penerimaan kembali 30-hari pada pasien diabetes. Praktek Endokr. 2019;25:1151-1157.

For more information:1950477648nn@gmail.com