Ped-BERT: 小児患者の病気の早期発見と入院期間の予測

病気とそれに関連する入院期間 (LoS) を早期に特定することは、より良い治療選択肢、より効果的なフォローアップ体制、より長い生存率、長期転帰の改善、および病院利用コストの削減に不可欠です。病気とそれに関連する入院期間 (LoS) を早期に特定することは、より良い治療選択肢、より効果的なフォローアップ体制、より長い生存率、長期転帰の改善、および病院利用コストの削減に不可欠です。

近年、電子医療記録 (EHR) と、畳み込みニューラル ネットワーク (CNN、例: Nguyen et al. (Deepr)1)、リカレント ニューラル ネットワーク (RNN、例: Choi et al. (Doctor AI)2)、長短期記憶ネットワーク (LSTM、例: Pham et al. (DeepCare)3)、および Bidirectional Encoder Representation from Transformers (BERT) と呼ばれるさらに強力なアーキテクチャ。たとえば、Li et al.4 は、EHR に適用された BEHRT にヒントを得たモデルであり、将来の医療訪問で 300 以上の症状が発生する可能性を予測できることを紹介しています。 Shang ら 5 は、診断予測と投薬推奨のためにグラフ ニューラル ネットワーク (GNN) と BERT の力を組み合わせたモデルである G-BERT を提案しています。 Rasmy et al.6 は、大規模な構造化 EHR 上で実行される事前トレーニング済みのコンテキスト化された埋め込みを提供するために、これも BERT モデルである Med-BERT を導入しています。ただし、病院の LoS を予測するタスクに EHR と最先端の DL アーキテクチャを活用することに焦点を当てた研究は非常に限られています 7,8。たとえば、Song ら 7 は、DL にインスピレーションを得たモデルである SAnD (Simply Attend and Diagnose) を開発し、マルチクラス分類アプローチを使用して診断コードや LoS などのタスクを予測します。彼らの LoS 推定は、入場時間から 1 時間ごとに発生するイベントの分析に基づいています。さらに、Hansen et al.8 は、バイナリ、マルチクラス、および連続的な LoS 予測のために、入院後最初の 24 時間以内に収集された一連の患者イベントに適用される BERT にヒントを得たモデルである M-BERT を導入しています。この文献の知識のほとんどは、(a) 成人集団を代表する EHR に依存しています4、7、9。 (b) 患者の年齢分布を特定する必要がある1、2、5、6、8、10、11、12、13。 (c) 患者が入院後に入院する可能性がある期間を推定します。ただし、入院前の LoS の予測は、予防医療と病院のリソース配分の最適化にも同様に関連します 7,8。 (d) 限られた健康結果に対する診断または LoS の予測に焦点を当てたモデルを使用する 3、10、14。 (e) 臨床事象間のタイミングの不規則性（例えば、来院時の年齢）のみを考慮して、健康リスク評価のパフォーマンスを向上させることに焦点を当てます1、2、4、8。 (f) 希少疾患 15 に関する予測パフォーマンスを報告しない、または (g) 子宮内の健康情報を診断予測に使用しない

ただし、コンピューター支援による疾患およびそれに関連する LoS の早期検出は、医療の分野で特に重要です。小児科。さまざまな研究で強調されているように、タイムリーな診断と介入は、子どもの長期的な幸福を増進するために非常に重要です14、15、16、17、18。その結果、私たちは BERT19 からインスピレーションを得たアーキテクチャである Ped-BERT を開発しました。私たちのモデルは、事前にトレーニングされた診断の埋め込みに基づいて、100 を超える潜在的な一次診断と、子供が今後の診察中に直面する可能性のある入院期間を正確に予測します。 2 つの現代的な分類器 (ロジスティック回帰とランダム フォレスト) と 2 つの最先端の DL 分類器 (事前トレーニングされたトランスフォーマー デコーダーとランダムに初期化された埋め込みを備えたニューラル ネットワーク) に対してアプローチを評価します。したがって、私たちの分析は、研究者が小児医療指導に機械学習を利用するのを支援する貴重なツールとして機能し、ひいては小児科医の臨床意思決定プロセスを支援する可能性があります。

Ped-BERT は、患者の年齢、訪問時の居住地の郵便番号や郡など、退院記録と小児科の緊急治療室情報を含む豊富なデータセットを活用します。さらに、オプションで出生前と出生後の両方の期間の母体の健康データを統合できます。私たちの知る限り、母親と赤ちゃんのペアを長期的に照合するデータを活用した予測フレームワークは、この種のものとしては初めてのものです。さらに、このデータセットにより、次の診察時の一次診断と LoS を同時に予測するモデルの機能を調査したり、予測誤差が母親と赤ちゃんのペアの異なる人口統計に均等に分布しているかどうかの検討を含め、全体的な公平性を評価したりすることができます。

要約すると、私たちは次のように文献に貢献しています。まず、カリフォルニアにおける 1991 年から 2017 年までの母子ペアの医療記録をリンクする新しいデータセットを使用します。 2 番目に、入院または救急環境でケアを求める小児患者の健康リスクを早期検出予測するための DL アーキテクチャである Ped-BERT を開発し、そのパフォーマンスを他の現代的または最先端の

と比較します。

以上がPed-BERT: 小児患者の病気の早期発見と入院期間の予測の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。