مائیکروسافٹ ورڈ - ڈیپ لرننگ بمقابلہ روایتی ماڈلز_عبدالحی_فائنل۔ حصہ 1

خلاصہ

الیکٹرانک ہیلتھ ریکارڈ (EHR) ڈیٹا کی بنیاد پر ذیابیطس کے مریضوں کے لیے ہسپتال میں دوبارہ داخلے کے خطرے کی پیشن گوئی کے آلے کی ضرورت ہے۔

لوگوں کے معیار زندگی میں بہتری کے ساتھ، ذیابیطس ہمارے ملک میں ایک عام دائمی بیماری بن چکی ہے۔ ذیابیطس کے شکار افراد کو اپنے جسم کی اچھی دیکھ بھال کرنے کی ضرورت ہے اور اپنی صحت کو یقینی بنانے کے لیے اپنی خوراک اور رہن سہن کی عادات کو مسلسل مانیٹر کرنے اور ایڈجسٹ کرنے کی ضرورت ہے۔ ان پہلوؤں میں یادداشت کی اہمیت کو بھی اجاگر کیا گیا ہے۔

بہت سے مطالعات نے اس بات کی تصدیق کی ہے کہ ذیابیطس اور یادداشت لازم و ملزوم ہیں۔ ذیابیطس دماغ کے معمول کے کام کو متاثر کرتی ہے، خاص طور پر یادداشت، سیکھنے اور علمی صلاحیتوں کو۔ یہ پایا گیا ہے کہ ذیابیطس کے مریضوں میں عام لوگوں کی نسبت یادداشت میں کمی، سیکھنے کی صلاحیت میں کمی اور رد عمل کی صلاحیت کے کمزور ہونے کا امکان زیادہ ہوتا ہے۔

تاہم ہمیں ہمت نہیں ہارنی چاہیے۔ ذیابیطس کو مؤثر طریقے سے کنٹرول کیا جا سکتا ہے اور غذا اور طرز زندگی میں تبدیلیوں کے ذریعے ہمارے جسم پر اس کے اثرات مرتب ہوتے ہیں۔

سب سے پہلے، خوراک کا ضابطہ بہت ضروری ہے۔ ذیابیطس کے شکار افراد کو متوازن خوراک کو یقینی بنانے کے لیے سوڈیم (نمک)، چینی اور چکنائی کی مقدار کو محدود کرنے کی ضرورت ہے۔ متوازن غذا کا استعمال جسم کی نیند کے معیار، دماغی صحت، ہارمونل توازن، میٹابولزم، اور جزوی چاند گرہن کی روک تھام کے لیے فائدہ مند ہے، یہ سب یادداشت اور علمی صلاحیتوں کو بہتر بنانے میں مدد کر سکتے ہیں۔ دوسرا، کچھ ورزش شامل کریں. ورزش نہ صرف خون میں شوگر کی سطح کو کنٹرول کرنے میں مدد دیتی ہے بلکہ یہ پٹھوں کو مضبوط بنانے، تناؤ کو کم کرنے اور خراب موڈ سے چھٹکارا حاصل کرکے یادداشت اور علمی صلاحیتوں کو بہتر بنانے میں بھی مدد فراہم کرتی ہے۔

آخر میں، مناسب علاج کی ضرورت ہے. مستحکم خون میں شکر کی سطح دماغ کی سیکھنے اور یادداشت کی صلاحیتوں کو بہتر بنانے میں بھی مدد کرتی ہے۔

اگرچہ ذیابیطس کے شکار افراد کو یادداشت کی کمی جیسے مختلف مسائل کا سامنا کرنا پڑ سکتا ہے، لیکن اس سے ذیابیطس کے شکار افراد کو صحت مند اور متحرک زندگی گزارنے سے نہیں روکنا چاہیے۔ اپنی خوراک اور طرز زندگی کی نگرانی کرنا، کچھ ورزش کرنا، اور پر امید موڈ برقرار رکھنا صحت کی دیکھ بھال کے لیے بہت مؤثر ہے۔ یہ ہمارے جسم، یادداشت اور ادراک کی بھی بہتر حفاظت کر سکتا ہے۔ ہمیں یادداشت کو بہتر بنانے کی ضرورت ہے، اور Cistanche deserticola نمایاں طور پر یادداشت کو بہتر بنا سکتا ہے کیونکہ Cistanche deserticola ایک روایتی چینی ادویاتی مواد ہے جس میں بہت سے منفرد اثرات ہیں، جن میں سے ایک یادداشت کو بہتر بنانا ہے۔ کیما بنایا ہوا گوشت کی افادیت اس میں موجود مختلف فعال اجزاء سے آتی ہے، بشمول ایسڈ، پولی سیکرائڈز، فلیوونائڈز وغیرہ۔ یہ اجزاء مختلف طریقوں سے دماغی صحت کو فروغ دے سکتے ہیں۔

یادداشت کو بہتر بنانے کے 10 طریقے جانیں پر کلک کریں۔

تاہم، بہترین ماڈلنگ کا طریقہ واضح نہیں ہے۔ ذیابیطس کے 36,641 مریضوں کے ساتھ 2,836,569 مقابلوں میں، ڈیپ لرننگ (DL) لانگ شارٹ ٹرم میموری (LSTM) ماڈلز جو کہ غیر منصوبہ بند، تمام وجہ، 30- دن کی ریڈمیشن کی پیش گوئی کرتے ہیں تیار کیے گئے اور کئی روایتی ماڈلز کے مقابلے میں۔ ماڈلز EHR ڈیٹا کا استعمال کرتے ہیں جس کی وضاحت عام ڈیٹا ماڈل کے ذریعے کی جاتی ہے۔

LSTM ماڈل ایریا انڈر دی ریسیور آپریٹنگ کریکٹرسٹک کریو (AUROC) اگلے بہترین روایتی ماڈل [LSTM {{0}}.79 بمقابلہ رینڈم فاریسٹ (RF) 0.72، p کے مقابلے میں نمایاں طور پر زیادہ تھا۔<0.0001]. Experiments showed that the performance of the LSTM models increased as the prior encounter number increased up to 30 encounters. 

16 منتخب لیبارٹری ٹیسٹوں کے ساتھ ایک LSTM ماڈل نے تمام 981 لیبارٹری ٹیسٹوں والے ماڈل کے مساوی کارکردگی کا مظاہرہ کیا۔ یہ نیا ڈی ایل ماڈل ذیابیطس کے مریضوں کے لیے مزید مفید ریڈمیشن رسک پیشین گوئی ٹول کی بنیاد فراہم کر سکتا ہے۔

تعارف

ہسپتال میں دوبارہ داخل ہونا مریضوں اور ہسپتالوں دونوں کے لیے ایک ناپسندیدہ، مہنگا نتیجہ ہے۔1 ذیابیطس کے مریضوں کو ہسپتال سے ڈسچارج ہونے کے 30 دنوں کے اندر دوبارہ داخل ہونے کا خطرہ زیادہ ہوتا ہے (30-دن میں دوبارہ داخل ہونے) کے مقابلے میں ذیابیطس کے مریضوں کے مقابلے میں۔

2-4 امریکہ میں ذیابیطس کے مریضوں کے سالانہ تقریباً 9 ملین ڈسچارجز میں سے، 5 تقریباً 2 ملین 30- دن میں دوبارہ داخل ہوتے ہیں، جو کم از کم $20 بلین ہسپتال کے اخراجات کے مساوی ہیں۔

6, 7 ذیابیطس کے ساتھ زیادہ خطرہ والے مریضوں کی نشاندہی کرنے سے ان لوگوں کو مداخلت کا ہدف بنایا جا سکے گا جو سب سے زیادہ ضرورت مند ہیں، لاگت کے فائدہ کے تناسب کو بہتر بناتے ہوئے

ہم نے پہلے ذیابیطس کے ابتدائی ریڈمیشن رسک انڈیکیٹر (DERRITM) کی ترقی اور توثیق شائع کی تھی، جو کہ ایک لاجسٹک ریگریشن (LR) ماڈل ہے جو ذیابیطس کے مریضوں میں ہر وجہ سے 30- دن کے دوبارہ داخل ہونے کے خطرے کی پیش گوئی کرتا ہے۔

8 DERRITM کو 10 عوامل کے صارف کے ان پٹ کی بنیاد پر دیکھ بھال کے مقام پر استعمال کے لیے ڈیزائن کیا گیا تھا۔ تقسیم نمونہ کی اندرونی توثیق میں، کارکردگی معمولی تھی (ریسیور آپریٹنگ کریکٹرسٹک کریو کے تحت ایریا، AUROC 0.69)۔

خارجی توثیق کے مطالعے میں، DERRITM AUROC {{0}}.63 اور 0.80.9 تھا، 10 متغیر پیشین گوئی کی کارکردگی کے علاوہ، DERRITM کے اطلاق کے لیے دستی ڈیٹا اکٹھا کرنے اور اندراج کی ضرورت ہوتی ہے، جو کہ اس کے استعمال میں بڑی رکاوٹیں ہیں۔ طبی مشق.

دوسرے شائع شدہ کام میں، ہم نے دکھایا کہ DERRITM میں متغیرات کو شامل کرنے سے 0.82.11 کے AUROC میں پیشین گوئی کی درستگی کافی حد تک بہتر ہو جاتی ہے، یہ توسیع شدہ ماڈل (DERRIplus)، تاہم، نگہداشت کے مقام پر استعمال کے لیے قابل عمل نہیں ہے اور ملازمت کی حیثیت بھی شامل ہے، جو الیکٹرانک ہیلتھ ریکارڈز (EHRs) میں معمول کے مطابق درج نہیں ہے۔

لہذا، اس ماڈل کا براہ راست ایک خودکار، EHR- مربوط ٹول میں ترجمہ نہیں کیا جا سکتا۔ ذیابیطس کے مریضوں کے لیے دوبارہ داخلے کے خطرے کی پیشن گوئی کرنے کے لیے ایک غیر ضروری ضرورت ہے جو درست اور استعمال میں آسان ہے۔

پچھلے کچھ سالوں میں، ذیابیطس کے مریضوں کے {{0}} دن کے دوبارہ داخلے کے خطرے کی پیش گوئی کرنے کے لیے متعدد مشین لرننگ (ML) ماڈل شائع کیے گئے ہیں۔ متعدد روایتی ایم ایل ماڈلنگ کے طریقوں کی کھوج کی گئی ہے، بشمول بے ترتیب جنگل (RF)، k-قریب ترین پڑوسی، naïve Bayes، سپورٹ ویکٹر مشین (SVM)، AdaBoost، اور multilayer perceptron (MLP)، جس میں کارکردگی کی ایک وسیع رینج ہے (AUROC {{5) }}۔{3}}.99، درستگی 0۔{6}}.99)۔

{{0}} ڈیپ لرننگ (DL) ماڈل بھی متغیر کارکردگی کے ساتھ ذیابیطس کے مریضوں کے دوبارہ داخلے کے خطرے کی پیش گوئی کرنے کے لیے تیار کیے گئے ہیں (AUROC 0۔ . DL قریب آتا ہے۔

25, 27 ان تمام مطالعات میں ماڈل کی کارکردگی کا موازنہ، تاہم، کارکردگی کی خصوصیات کی معیاری رپورٹنگ اور جانچ کے متغیر طریقوں کی کمی کی وجہ سے محدود ہے۔

لہذا، یہ ابھی تک واضح نہیں ہے کہ آیا DL ماڈلز ذیابیطس کے مریضوں کے لیے ریڈمیشن کے خطرے کی پیشن گوئی کرنے میں روایتی ML ماڈلز کو پیچھے چھوڑ دیتے ہیں۔

دلچسپ بات یہ ہے کہ یہ تمام سابقہ ​​ماڈلز اسی ڈیٹاسیٹ پر تیار کیے گئے تھے، سوائے DERRITM اور DERRIplus کے۔ یہ عوامی طور پر دستیاب ڈیٹاسیٹ میں 1999 اور 2008 کے درمیان 130 یو ایس ہسپتالوں میں سے ایک میں ذیابیطس کی تشخیص اور 1 سے 14 دن کے درمیان رہنے والے ہسپتالوں کے مقابلوں پر مشتمل ہے۔

بیماریوں کی صرف 3 بین الاقوامی درجہ بندی، نویں نظر ثانی (ICD-9) تشخیصی کوڈز فی انکاؤنٹر، اور صرف 2 لیبارٹری اقدار (خون میں گلوکوز اورHbA1c) ریکارڈ کیے گئے۔

آخر میں، منصوبہ بند اور غیر منصوبہ بند دوبارہ داخلوں میں کوئی فرق نہیں ہے۔ اس طرح، ان میں سے بہترین ماڈل بھی آج مریضوں میں اچھی کارکردگی کا مظاہرہ نہیں کر سکتے ہیں۔ مزید موجودہ، عام قابل ماڈلز کی ضرورت ہے۔

لہذا، ان خلاء کو دور کرنے کے لیے، موجودہ مطالعہ کے مقاصد درج ذیل تھے: 1) غیر منصوبہ بند، ہر وجہ سے 30- دن کے دوبارہ داخلے کی پیشین گوئی کے لیے ڈی ایل ماڈلز تیار کرنا، 2) ڈی ایل ماڈلز کی کارکردگی کا موازنہ روایتی ایم ایل ماڈلز، 3)

ماڈل کی ترقی میں شامل ہونے والے 1 سے 100 تک کے سابقہ ​​EHR مقابلوں کی ایک رینج میں ماڈل کی کارکردگی کو دریافت کرنا، اور 4) ڈومین نالج کے ذریعے منتخب لیبارٹری ٹیسٹوں کے سب سیٹ کا استعمال کرتے ہوئے تیار کردہ DL ماڈل کا موازنہ تمام دستیاب لیبارٹری ٹیسٹوں کا استعمال کرتے ہوئے تیار کردہ DL ماڈل سے کرنا۔

تمام ماڈلز ڈیموگرافکس، اہم علامات، تشخیصی اور طریقہ کار کوڈ، ادویات، لیبارٹری ٹیسٹ، اور انتظامی ڈیٹا کا استعمال کرتے ہوئے ذیابیطس کے 36,641 مریضوں کے 2,836,569 انکاؤنٹرز کے ڈیٹاسیٹ میں تیار اور جانچے گئے جیسا کہ نیشنل پیشنٹ-سینٹرڈ کلینیکل نیٹ ورک (DamontadeClinical Communication) نیٹ ورک کی طرف سے بیان کیا گیا ہے۔ (سی ڈی ایم) 29

مواد اور طریقے

مریض کے گروہ کی تعریف

شمولیت کا معیار وہ مریض تھے جن کو فلاڈیلفیا، PA کے تین ٹیمپل یونیورسٹی ہیلتھ سسٹم ہاسپٹل سے کم از کم ایک ڈسچارج ہوا تھا، 1 جولائی 2010 اور 31 دسمبر 2020 کے درمیان، اور ذیابیطس کی وضاحت درج ذیل میں سے کم از کم کسی ایک کے ذریعے کی گئی ہے: ذیابیطس کی تشخیص ( ICD-9: 249. xx یا 250. xx یا ICD-10: E08.xxx سے E13.xxx)؛ ہیموگلوبن A1c (HbA1c) کی سطح 6.5٪ سے زیادہ یا اس کے برابر، یا ذیابیطس کے لیے مخصوص دوا کا آرڈر۔

معمر مریضوں کے لیے مقابلوں کو خارج کر دیا گیا تھا۔<18 years, discharged by transfer to another hospital, inpatient death, a diagnosis of gestational diabetes (ICD-9: 648.0x or ICD-10: O24.4x), a diagnosis of prediabetes (ICD-9: 790.29 or ICD-10: R73.03), or pregnancy (positive beta-human chorionic gonadotropin laboratory test within 90 days before or after the encounter).

مریضوں کو دوبارہ داخلے کی حیثیت کے مطابق 2 میں سے ایک گروپ میں ترتیب دیا گیا تھا: وہ جن کے پاس کم از کم ایک 30- دن کا دوبارہ داخلہ تھا اور وہ جو نہیں تھے۔ ان مریضوں میں سے جن کا دوبارہ داخلہ ہوا تھا، ایک داخلے سے دوبارہ داخل ہونے والے جوڑے کو تصادفی طور پر تجزیہ کے لیے منتخب کیا گیا تھا۔ ان مریضوں میں سے جن کا دوبارہ داخلہ نہیں ہوا تھا، ایک داخلے کو تصادفی طور پر تجزیہ کے لیے منتخب کیا گیا تھا۔

متغیرات اور ڈیٹا پری پروسیسنگ کی تعریف

مندرجہ ذیل ڈومینز میں سے ہر ایک کے لیے CDM سے ٹیبلز نکالے گئے تھے: انکاؤنٹر، ڈیموگرافکس، تشخیص، لیبارٹری ٹیسٹ، ادویات کے آرڈر، طریقہ کار، اور اہم علامات۔ چونکہ دیے گئے انکاؤنٹر کی خصوصیات ایک سے زیادہ ٹیبلز میں موجود تھیں، اس لیے ٹیبلز کو ایک منفرد شناخت کنندہ کے ذریعے ضم کر دیا گیا تھا۔ نکالے گئے ٹیبلز کو ضم کرنے کے نتیجے میں ایک نمونہ سامنے آیا جس میں دیے گئے انکاؤنٹر کے تمام ریکارڈ موجود تھے۔

اس کے نتیجے میں کافی کمی واقع ہوئی۔ اس طرح، لاپتہ ایک علیحدہ خصوصیت کے طور پر استعمال کیا گیا تھا. مسلسل فیچرز کے لیے، گمشدہ ڈیٹا کو 0 سے بدل دیا گیا، جب کہ دوٹوک خصوصیات کو منفرد زمرہ سے بدل دیا گیا۔

مجموعی طور پر 23 فیچرز کو ماڈلز کے ان پٹ کے طور پر استعمال کیا گیا: 14 کو CDM سے نکالا گیا تھا اور 9 کو جمع کیا گیا تھا۔ نکالے گئے فیچرز یہ تھے: 1) انکاؤنٹر کی قسم (داخل مریض، ایمرجنسی ڈیپارٹمنٹ، آبزرویشن اسٹے، ایمبولیٹری وزٹ، دیگر ایمبولیٹری وزٹ، ٹیلی ہیلتھ اور دیگر؛ 2) ڈسچارج اسٹیٹس (معاون رہائش کی سہولت، طبی مشورے کے خلاف، میعاد ختم، گھریلو صحت، گھر/سیلف کیئر، ہاسپیس، نرسنگ ہوم، بحالی کی سہولت، ہنر مند نرسنگ کی سہولت؛ 3)جنس؛ 4) ھسپانوی؛ دوڑ 6) تمباکو (موجودہ صارف، کبھی استعمال نہ کرنے والا، سابقہ ​​صارف، غیر فعال نمائش، دیگر/کوئی معلومات نہیں)؛ 7) عمر؛ 8)

تشخیص کلینیکل کلاسیفیکیشن سسٹم (CCS) کوڈز؛29 9) طریقہ کار CCS کوڈز؛29 10) لیبارٹری کے نتائج؛ 11)ہر تصادم سے پہلے 1 سال کے اندر ادویات کے آرڈر؛ 12) Diastolic بلڈ پریشر؛ 13) سسٹولک بلڈ پریشر؛ اور 14) باڈی ماس انڈیکس (BMI)۔

مجموعی خصوصیات یہ تھیں: 1) Elixhauser حالات: ایک بائنری خصوصیت جو ہر شرط کی موجودگی یا غیر موجودگی کو ظاہر کرتی ہے؛ 30 2) داخلے کی مدت (دنوں میں قیام کی لمبائی)؛ 3) سی سی ایس کوڈ میں تبدیلی سے پہلے کئی طریقہ کار کوڈز۔ 4) سی سی ایس کوڈ میں تبدیلی سے پہلے کئی تشخیصی کوڈز؛ 5) انکاؤنٹر کی قسم سے قطع نظر سابقہ ​​تصادم کے بعد کے دنوں کی تعداد؛ 6) پہلے داخل مریض، مشاہدہ کرنے والے یا ایمرجنسی ڈیپارٹمنٹ کے تصادم کے بعد سے کئی دن؛ 7) دیگر (غیر ہسپتال) مقابلوں کے پہلے تصادم کے بعد سے کئی دن؛ 8) موجودہ تصادم سے پہلے کئی داخل مریض، مشاہدہ، اور ایمرجنسی ڈیپارٹمنٹ کے مقابلے؛ اور 9) موجودہ انکاؤنٹر سے پہلے کئی دوسرے (غیر ہسپتال) مقابلے۔

کوڈ فارمیٹ کو یکجا کرنے کے لیے ICD-9 کوڈز کو ICD-10 کوڈ میں تبدیل کر دیا گیا تھا۔ ICD-10 کوڈز اور طریقہ کار کوڈز کو CCS کوڈز میں تبدیل کر دیا گیا تھا۔ ڈومین کے علم کی بنیاد پر، ذیابیطس سے متعلقہ ادویات کی درجہ بندی اس طرح کی گئی تھی: ذیابیطس کی دوائیں طبقے کے لحاظ سے، کولیسٹرول، کورٹیکوسٹیرائڈز، رینن-انجیوٹینسن سسٹم (RAAS) بلڈ پریشر ایجنٹس، اور غیر RAS بلڈ پریشر ایجنٹس۔ دیگر ادویات کو نظر انداز کر دیا گیا۔

قابل اعتماد، زیادہ تر غائب، یا باہم مربوط نہ ہونے والی خصوصیات کو ہٹا دیا گیا۔ تاریخوں، نتائج، اونچائی، وزن، BMI، اور بلڈ پریشر (سسٹولک اور ڈائیسٹولک) جیسی بیرونی خصوصیات کو ڈیٹا کی تقسیم، صد فیصد، اور ڈومین کے علم کو دیکھ کر ہٹا دیا گیا تھا۔ گمشدہ اقدار کو ایک اور زمرہ سمجھا جاتا ہے جو اس بات کی نشاندہی کرتا ہے کہ انکاؤنٹر کے بارے میں پیرامیٹر جمع نہیں کیا گیا تھا۔

ماڈل کی پیشن گوئی (�) کا بنیادی نتیجہ غیر منصوبہ بند تھا، جس کی وضاحت سینٹرز فار میڈیکیئر اینڈ میڈیکیڈ سروسز (CMS) کی طرف سے بیان کردہ مریضوں کے انکاؤنٹر ڈسچارج کے 30 دنوں کے اندر اندر مریضوں کو دوبارہ داخل کرنے کی تمام وجہ تھی۔ دنوں کا تجزیہ کیا گیا۔

For more information:1950477648nn@gmail.com