Usando Inteligência Artificial para Predição de Readmissão Diabética

Dr. Salih Tutun Blocked Unblock Seguir Seguindo 1 de janeiro

A previsão de reinternação hospitalar continua a ser uma área altamente incentivada de investigação, principalmente devido ao programa de redução de readmissões dos Centros de Serviços Medicare e Medicaid (CMS). O objetivo geral é reduzir o número de reinternações hospitalares precoces, identificando os principais fatores de risco que causam reinternações hospitalares. Isso é especialmente importante na Unidade de Terapia Intensiva (UTI), onde a readmissão do paciente aumenta a probabilidade de mortalidade devido ao agravamento da condição do paciente. As abordagens tradicionais usam a regressão logística simples ou outros métodos de classificação linear para identificar os principais recursos que fornecem alta precisão de previsão.

Figura 1: Readmissão nos EUA

No entanto, esses métodos não são suficientes, pois não conseguem capturar os padrões complexos entre diferentes recursos. Neste artigo, propomos um modelo ESALOR (Simulator Annealing) para prever com precisão a taxa de readmissão hospitalar e identificar os fatores de risco importantes. O modelo proposto combina o método de recozimento simulado evolutivo (como seeb abaixo figura) com um modelo de regressão logística esparsa de Lasso. O modelo ESALOR foi testado em um conjunto de dados de readmissão de diabetes disponível publicamente, e os resultados mostram que o modelo proposto fornece melhores resultados em comparação aos métodos de classificação convencionais, incluindo Support Vector Machines (SVM), Árvore de Decisão, Naive Bayes e Logistic Regression.

Figura 2: Acoplamento ES e SA

Considerando as informações fornecidas, o modelo proposto pode ser resumido nas seguintes etapas:

Etapa 1 Seleção de Recursos: O melhor subconjunto de recursos é selecionado usando uma combinação de métodos de seleção de recursos de filtro e wrapper.

Etapa 2 Formulação: A formulação de regressão LASSO-logística do problema é identificada.

Etapa 3 Inicialização: O modelo de recozimento simulado é inicializado usando o algoritmo de estratégia evolutiva.

Passo 4 Nível de Otimização: Os parâmetros (coeficientes) do modelo LASSO são otimizados usando um método de recozimento simulado baseado em estratégia evolutiva híbrida. Nós otimizamos os parâmetros do modelo proposto.

Etapa 5 Identificando Soluções: Encontramos a solução ideal comparando todas as soluções.

Etapa 6 Previsão: A readmissão hospitalar de um novo paciente é prevista usando o modelo LASSO com coeficientes ótimos.

Tabela 1: Comparação do modelo ESALOR com classificadores tradicionais com dados de teste.

Os resultados (como visto na tabela acima) são comparados observando indicadores de desempenho para readmissão, e nossos modelos são usados para fazer previsões melhores. Nossa abordagem também mostra melhores resultados do que outras abordagens na literatura comparando quatro métodos. Mais especificamente, para os resultados do SVM, ANN, LR e NB, como é visto na Tabela 2, a precisão da previsão é fundada em torno de 74% para o nível de teste. Os valores de precisão e recuperação são menores que 0,7 para a maioria dos métodos. Ao mesmo tempo, os valores da medida F, que precisam ser maiores que 0,8, são encontrados em torno de 0,65 para esses métodos. Portanto, ao usar métodos pendentes como o SVM, ANN, LR e NB, o desempenho da previsão é inadequado para readmissão.

No entanto, o desempenho do nosso modelo proposto é muito melhor do que outros métodos, como o F-measure. Isso significa que o modelo proposto funciona para dados de desequilíbrio, porque não há aprendizado de desequilíbrio para cada subclasse. Portanto, o modelo proposto tem melhor desempenho na previsão da taxa de readmissão.

Conclusão

Com a introdução de uma penalidade de reembolso pelos Centros de Medicare e Medicaid (CMS), os hospitais se tornaram fortemente interessados em reduzir a taxa de readmissão. Neste estudo, propusemos uma estrutura híbrida de classificação denominada Simulador Evolutivo de Regeneração Logística LASSO (ESALOR) para melhorar a classificação das readmissões de pacientes diabéticos. O modelo ESALOR pode ajudar os profissionais de saúde a identificar os principais fatores de risco que causam a readmissão hospitalar de pacientes diabéticos. Ao utilizar os fatores de risco identificados, os médicos podem desenvolver novas estratégias para reduzir as taxas de readmissão e os custos para o atendimento de indivíduos com diabetes.