Ped-BERT: 소아 환자의 질병 조기 발견 및 입원 기간 예측

질병 및 관련 입원 기간(LoS)을 조기에 식별하는 것은 더 나은 치료 옵션, 효과적인 후속 조치, 생존율 연장, 장기 결과 개선, 병원 이용 비용 절감을 위해 매우 중요합니다.

질병 및 관련 입원 기간(LoS)을 조기에 식별하는 것은 더 나은 치료 옵션, 효과적인 후속 조치, 생존율 연장, 장기 결과 개선, 병원 이용 비용 절감을 위해 매우 중요합니다.

최근에는 진단 예측 분야에서는 컨볼루션 신경망(CNN, 예: Nguyen et al. (Deepr)1), 순환 신경망(RNN, 예를 들어 Choi et al.(Doctor AI)2), 장단기 메모리 네트워크(LSTM, 예: Pham et al.(DeepCare)3) 및 BERT(Bidirection Encoder Representation from Transformers)라는 훨씬 더 강력한 아키텍처가 있습니다. 예를 들어, Li et al.4는 EHR에 적용되는 BERT에서 영감을 받은 모델인 BEHRT를 도입하여 향후 의료 방문에서 300개 이상의 상태가 발생할 가능성을 예측할 수 있습니다. Shang et al.5는 진단 예측 및 약물 추천을 위해 그래프 신경망(GNN)과 BERT의 성능을 결합한 모델인 G-BERT를 제안합니다. Rasmy et al.6은 대규모 구조화된 EHR에서 실행되는 사전 훈련된 상황별 임베딩을 제공하기 위해 BERT 모델이기도 한 Med-BERT를 도입했습니다. 그러나 병원 LoS7,8 예측 작업을 위해 EHR 및 최첨단 DL 아키텍처를 활용하는 데 초점을 맞춘 연구는 매우 제한적입니다. 예를 들어 Song et al.7은 DL에서 영감을 받은 모델인 SAnD(Simply Attend and Diagnose)를 개발하여 다중 클래스 분류 접근 방식을 사용하여 진단 코드 및 LoS 등을 예측합니다. LoS 추정은 입장 시간부터 매시간 발생하는 이벤트를 분석하여 이루어집니다. 또한 Hansen et al.8은 바이너리, 다중 클래스 및 연속 LoS 예측을 위해 입원 후 첫 24시간 이내에 수집된 일련의 환자 이벤트에 적용되는 BERT에서 영감을 받은 모델인 M-BERT를 소개합니다.

지식, 이 문헌의 대부분의 발전은 (a) 성인 인구를 대표하는 EHR에 의존합니다4,7,9; (b) 환자 연령 분포1,2,5,6,8,10,11,12,13를 명시해야 합니다. (c) 환자가 입원 후 얼마나 오랫동안 병원에 입원할 것인지 추정합니다. 그러나 입원 전 LoS를 예측하는 것은 예방 의료 및 병원 자원 할당 최적화에도 똑같이 관련됩니다7,8; (d) 제한된 건강 결과에 대한 진단 또는 LoS 예측에 초점을 맞춘 모델을 사용합니다3,10,14; (e) 임상 사건 간의 시기적 불규칙성(예: 방문 당시 연령)1,2,4,8만을 고려하여 건강 위험 평가 성과를 개선하는 데 중점을 둡니다. (f) 희귀 질환에 대한 예측 성과를 보고하지 않거나15 (g) 진단 예측을 위해 자궁 내 건강 정보를 사용하지 않습니다.

그러나 컴퓨터를 이용한 질병 및 관련 LoS의 조기 발견은 다음 분야에서 특히 중요합니다. 소아과. 다양한 연구14,15,16,17,18에서 강조된 바와 같이, 시기적절한 진단과 개입은 어린이의 장기적인 복지를 향상시키는 데 매우 중요합니다. 결과적으로 우리는 BERT19에서 영감을 받은 아키텍처인 Ped-BERT를 개발합니다. 우리 모델은 사전 훈련된 진단 임베딩을 사용하여 100개 이상의 잠재적인 1차 진단과 어린이가 다가오는 병원 방문 동안 직면할 수 있는 입원 기간을 정확하게 예측합니다. 우리는 두 가지 최신 분류기(로지스틱 회귀 및 랜덤 포레스트)와 두 가지 최첨단 DL 분류기(사전 훈련된 변환기 디코더 및 무작위로 초기화된 임베딩이 있는 신경망)에 대해 우리의 접근 방식을 평가합니다. 따라서 우리의 분석은 연구자들이 소아 건강 관리 지침에 기계 학습을 활용하여 소아과 의사의 임상 의사 결정 과정을 지원하는 데 유용한 도구 역할을 할 수 있습니다.

Ped-BERT는 환자의 연령, 방문 당시 거주지 우편번호 또는 카운티를 포함하여 병원 퇴원 기록과 소아과 응급실 정보를 포괄하는 풍부한 데이터세트를 활용합니다. 또한 선택적으로 산전 및 산후 기간의 산모 건강 데이터를 통합할 수도 있습니다. 우리가 아는 한, 우리의 예측 프레임워크는 엄마와 아기 쌍을 세로로 일치시키는 데이터를 활용하는 최초의 것입니다. 또한 이 데이터세트를 통해 다음 진료 방문 시 일차 진단과 LoS를 동시에 예측하는 모델의 기능을 탐색하고 예측 오류가 엄마-아기 쌍의 다양한 인구통계에 고르게 분포되어 있는지 여부에 대한 검사를 포함하여 전반적인 공정성을 평가할 수 있습니다.

요약하자면, 우리는 다음과 같이 문헌에 기여합니다. 첫째, 캘리포니아에서 1991년부터 2017년 사이에 엄마와 아기 쌍의 의료 기록을 연결하는 새로운 데이터 세트를 사용합니다. 둘째, 입원 환자 또는 응급 상황에서 치료를 원하는 소아 환자의 건강 위험을 조기 발견 예측하기 위한 DL 아키텍처인 Ped-BERT를 개발하고 그 성능을 다른 최신 또는 최신 기술과 비교합니다

위 내용은 Ped-BERT: 소아 환자의 질병 조기 발견 및 입원 기간 예측의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!