Developing the Temporal Graph Convolutional Neural Network Model to Predict Hip Replacement using Electronic Health Records

要約

背景: 人工股関節置換術は、痛みを軽減し可動性を回復することで患者の生活を改善します。
人工股関節置換術を事前に予測することで、タイムリーな介入が可能になり、患者に手術やリハビリテーションの優先順位を付け、理学療法を利用して関節置換術の必要性を潜在的に遅らせることができ、痛みを軽減できる可能性があります。
この研究では、生活の質と医療サービスの効率を向上させるために、股関節置換術を 1 年前に予測しています。
方法: 時間グラフ畳み込みニューラル ネットワーク (TG-CNN) モデルを使用した以前の研究を適応させ、40 ～ 75 歳の患者の ResearchOne EHR から得たプライマリ ケアの医療イベント コードから時間グラフを構築し、人工股関節置換術のリスクを予測します。
私たちは、年齢、性別、および多重剥奪指数に基づいて、人工股関節置換術の症例を対照と照合します。
このモデルは、9,187 例と 9,187 例の対照でトレーニングされ、股関節置換術を 1 年前に予測します。
2 つの未確認のデータセットでモデルを検証し、クラスの不均衡を再調整します。
さらに、アブレーション研究を実施し、4 つのベースライン モデルと比較します。
結果: 私たちの最良のモデルは、AUROC 0.724 (95% CI: 0.715-0.733) および AUPRC 0.185 (95% CI: 0.160-0.209) で股関節置換術のリスクを 1 年前に予測し、1.107 (95% CI: 0.160-0.209) の校正勾配を達成します。
% CI: 1.074-1.139) 再キャリブレーション後。
結論: TG-CNN モデルは、患者の軌跡のパターンを特定することで股関節置換術のリスクを効果的に予測し、股関節関連の症状の理解と管理を向上させる可能性があります。

要約(オリジナル)

Background: Hip replacement procedures improve patient lives by relieving pain and restoring mobility. Predicting hip replacement in advance could reduce pain by enabling timely interventions, prioritising individuals for surgery or rehabilitation, and utilising physiotherapy to potentially delay the need for joint replacement. This study predicts hip replacement a year in advance to enhance quality of life and health service efficiency. Methods: Adapting previous work using Temporal Graph Convolutional Neural Network (TG-CNN) models, we construct temporal graphs from primary care medical event codes, sourced from ResearchOne EHRs of 40-75-year-old patients, to predict hip replacement risk. We match hip replacement cases to controls by age, sex, and Index of Multiple Deprivation. The model, trained on 9,187 cases and 9,187 controls, predicts hip replacement one year in advance. We validate the model on two unseen datasets, recalibrating for class imbalance. Additionally, we conduct an ablation study and compare against four baseline models. Results: Our best model predicts hip replacement risk one year in advance with an AUROC of 0.724 (95% CI: 0.715-0.733) and an AUPRC of 0.185 (95% CI: 0.160-0.209), achieving a calibration slope of 1.107 (95% CI: 1.074-1.139) after recalibration. Conclusions: The TG-CNN model effectively predicts hip replacement risk by identifying patterns in patient trajectories, potentially improving understanding and management of hip-related conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google