Brug af dyb læring til at forudsige besøg på skadestuer

Hos IBM Research, vi undersøger nye løsninger til en række udfordringer i sundhedsvæsenet. En sådan udfordring er overbelægning på skadestuen (ER), hvilket kan føre til lange ventetider på behandling. Overbelægning skyldes dels, at folk besøger skadestuen for ikke-nødstilfælde frem for at stole på primærlæger. Patienter, der bruger ER til ikke-nødsituationer, er mere tilbøjelige til at vende tilbage til ER flere gange (Poole et al. 2016), bidrager yderligere til overbelægning. Identifikation af de patienter, der sandsynligvis vender tilbage til skadestuen, kan muliggøre, at hospitaler griber ind for at sikre adgang til nødvendig pleje uden for skadestuen og potentielt afhjælpe overbelægning.

En model for neurale netværk

Mit team hos IBM Research-China tog denne udfordring op. Vi udviklede en ny model for neurale netværk for at forudsige, hvor mange gange en person vil besøge skadestuen på grundlag af oplysninger fra hans eller hendes elektroniske sundhedsjournaler (EHR'er). Modellen er baseret på et typisk tilbagevendende neuralt netværk, men i modsætning til traditionelle maskinlæringsmetoder, den udviser dynamisk tidsmæssig adfærd baseret på EHR -oplysninger og har en kompleks struktur til bedre at modellere sammenhængen mellem ER -besøg og andre patientdata (figur 1). Vi brugte modellen til at lave præcise forudsigelser af, om og hvor mange gange en person vil besøge skadestuen og fandt ud af, at den overgik andre almindelige teknikker. For eksempel, vores model præcision var 6,59 procent større end en typisk logistisk regressionsmodel til at forudsige, om en person vil besøge skadestuen og> 90 procent større i forudsigelse af antal ER -besøg sammenlignet med lineær regressionsmodel. Vores model havde også cirka 2 procent større præcision end den populære XGboost -model til at forudsige antallet af ER -besøg.

Ved bedre at forudsige, hvor mange gange en person vil besøge ER, vi håber, at denne model muliggør, at hospitaler kan etablere, prioritere, og målrette interventioner for at sikre, at patienter har adgang til den pleje, de har brug for uden for en ER -indstilling.

At dele vores arbejde

Disse resultater sammen med fem andre artikler fra IBM Research -teamet i Kina er blevet accepteret af Medical Informatics Europe 2018, en førende medicinsk informatik konference, der finder sted i denne uge i Gothenberg, Sverige. De andre artikler involverer analyse af virkelige beviser på interaktioner mellem behandling og undergruppe, påvisning af uregelmæssigheder ved brug af medicinsk udstyr, brug af deep learning og andre machine learning -teknologier til at besvare spørgsmål fra patienter, og forudsigelse af store negative hjertehændelser på hospitalet ved hjælp af en generaliseret lineær model. Detaljer om alle seks accepterede papirer er angivet nedenfor. Vores samarbejdspartnere i disse projekter repræsenterer tophospitaler (Fuwai Hospital og Anzhen Hospitaler) og førende farmaceutiske virksomheder (Pfizer). Ved at arbejde med de bedste partnere med de bedste data om de mest udfordrende virkelige problemer, vi kan generere forskningsresultater i verdensklasse i Kina.