Prediction of COVID-19 Patients’ Emergency Room Revisit using Multi-Source Transfer Learning

要約

2019 年コロナウイルス感染症 (COVID-19) は、深刻な世界的パンデミックを引き起こしました。
新型コロナウイルス感染症（COVID-19）は、その高い感染力に加えて、無症候性キャリアから重篤で潜在的に生命を脅かす健康合併症に至るまで、不均一な臨床経過をたどる可能性があります。
多くの患者は退院後短期間に救急治療室 (ER) を再来院する必要があり、医療スタッフの負担が大幅に増加しています。
このような患者を早期に特定することは、医師が生命を脅かす症例の治療に集中できるようにするために非常に重要です。
この研究では、2020 年 3 月から 2021 年 1 月までにピッツバーグ大学医療センター内の 13 の提携 ER から 3,210 件の電子医療記録 (EHR) を取得しました。自然言語処理技術である ScispaCy を利用して臨床概念を抽出し、
ER における COVID-19 患者の 7 日間再診モデルを開発するための 1001 の最も頻繁に使用されるコンセプト。
13 の ER から収集した研究データには、モデル開発に影響を与える可能性のある分布の違いがある可能性があります。
この問題に対処するために、ドメイン敵対的ニューラル ネットワーク (DANN) と呼ばれる古典的な深層転移学習手法を採用し、マルチ DANN アルゴリズム、シングル DANN アルゴリズム、および 3 つのベースライン手法を含むさまざまなモデリング戦略を評価しました。
その結果、退院後 7 日以内の新型コロナウイルス感染症患者の ER への再来院の予測において、Multi-DANN モデルが Single-DANN モデルおよびベースライン モデルよりも優れていることが示されました。
特に、Multi-DANN 戦略は、複数のソース ドメイン間の異質性に効果的に対処し、ソース データのターゲット ドメインへの適応を改善しました。
さらに、Multi-DANN モデルの高いパフォーマンスは、EHR が、退院後 7 日以内に ER を再来院する可能性が非常に高い COVID-19 患者を特定するための予測モデルを開発するのに有益であることを示しています。

要約(オリジナル)

The coronavirus disease 2019 (COVID-19) has led to a global pandemic of significant severity. In addition to its high level of contagiousness, COVID-19 can have a heterogeneous clinical course, ranging from asymptomatic carriers to severe and potentially life-threatening health complications. Many patients have to revisit the emergency room (ER) within a short time after discharge, which significantly increases the workload for medical staff. Early identification of such patients is crucial for helping physicians focus on treating life-threatening cases. In this study, we obtained Electronic Health Records (EHRs) of 3,210 encounters from 13 affiliated ERs within the University of Pittsburgh Medical Center between March 2020 and January 2021. We leveraged a Natural Language Processing technique, ScispaCy, to extract clinical concepts and used the 1001 most frequent concepts to develop 7-day revisit models for COVID-19 patients in ERs. The research data we collected from 13 ERs may have distributional differences that could affect the model development. To address this issue, we employed a classic deep transfer learning method called the Domain Adversarial Neural Network (DANN) and evaluated different modeling strategies, including the Multi-DANN algorithm, the Single-DANN algorithm, and three baseline methods. Results showed that the Multi-DANN models outperformed the Single-DANN models and baseline models in predicting revisits of COVID-19 patients to the ER within 7 days after discharge. Notably, the Multi-DANN strategy effectively addressed the heterogeneity among multiple source domains and improved the adaptation of source data to the target domain. Moreover, the high performance of Multi-DANN models indicates that EHRs are informative for developing a prediction model to identify COVID-19 patients who are very likely to revisit an ER within 7 days after discharge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google