Table of Contents

סוכרת נותרה אחת המחלות הכרוניות היקרות והמורכבות ביותר ברפואה המודרנית. בארצות הברית לבדה, יותר מ-37 מיליון אנשים חיים עם סוכרת, והמצב תורם ליותר מ-7 מיליון אשפוזים בכל שנה.חלק משמעותי מהתמ"ליזציה האלה בסופו של דבר בקריפטציה בתוך 30 ימים - בעיה שמתאמץ הן בריאות החולה והן כספים רפואיים.המרכזים ל- Medicare & שירותי Medicaid (MS) הורידו את שיעור הפחתת הסיכון להפחתה משמעותית לבדיקות רפואיות, במיוחד, אשר ממושכות את רמות טיפוליות, כמו טיפול תרופתיותרפיותרפיותרפיותרפיות, אשר מסייעות לטיפול רפואי, במיוחד, אשר מסייעותרפיות, אשר מעדיפות גבוהה יותר מעדיפות גבוהה יותר מעדיפות גבוהה יותר מתרופות לטיפול בעדיפות גבוהה יותר, אך ורק לאחר מכן, אשר מסייעותרפיסטליקמיכותרות טיפול תרופתיותרפיותרפיות לטיפול רפואי, אך ורק לאחר מכן, אך מתרופות לטיפול רפואי, אשר מסייעות, אשר מסייעות לטיפול בבדיקות טיפול תרופתיות, אשר מסייעות לטיפול בבדיקות טיפול תרופתיות, אך טיפול תרופתיות, אשר מסייעות לטיפול רפואי, אשר מסייעות לטיפול בבדיקות טיפול תרופתיות לטיפול בעדיפות גבוהה יותר מעדיפות גבוהה יותר מתרופות לטיפול בבדיקות טיפול תרופתיות טיפול תרופתי

מודלים של למידת מכונות יכולים לעכל כמויות עצומות של נתונים מובנים ולא ממובנים מרשומות בריאות אלקטרוניות (EHRs), לזהות דפוסים עדינים שמומחים אנושיים עשויים להחמיץ, וליצור הערכות סיכון בזמן אמת. מאמר זה חוקר את ההתקדמות המשמעותית ביותר בשימוש בלמידה של מכונות כדי לחזות את אישורי בית החולים בחולי סוכרת, כיסוי הטכניקות, מקורות נתונים, אתגרים וכיוונים עתידיים המעצבים את תחום קריטי זה של ניתוח רפואי.

הבנת בית החולים בסוכרת

הסקופ של הבעיה

סוכרת אינה מחלה אחת, אלא קבוצה של הפרעות מטבוליות המאופיינות על ידי היפרגליקמיה כרונית.הסיבוכים שלה לאורך כמעט כל מערכת איברים: מחלות לב וכלי דם (התקפות לב, שבץ), נרופופתיה (כישלון קיסני הדורש דיאליזה), רטינופתיה (עיוורון), נוירופתיה (נזקים לכלי דם), ועלייה בזיהומים.כאשר סיבוכים אלה דורשים אשפוז, הסיכון של טיפול תרופתי הוא גבוה על פי מחקר שפורסם ב-2021 ל-14%) של טיפול תרופתי (RJF) הוא נמוך יותר מ-14%) ו-14% לאחר טיפול תרופתי (RJRJRJR.

מדוע שיטות חיזוי מסורתיות נופלות קצרות

כלים קונבנציונליים כמו מדד LACE (הגיל של שהייה, Acuity של קבלה, קומפלקסבידים, ביקורים במחלקת חירום) או הציון HOSPITAL נועדו עבור אוכלוסיות מטופלים כלליות ולעתים קרובות לבצע גרוע כאשר הם מוחלים באופן בלעדי על קבוצות סוכרת. ציוני אלה להסתמך על מספר קטן של משתנים קליניים, לטפל בהם כגורמים עצמאיים, ומניחים מערכות יחסים ליניאריות.

Machine Learning: A Paradigm Shift

אלגוריתמים של Machine Learning (ML) נועדו ללמוד דפוסים ישירות מהנתונים מבלי לדרוש תכנות מפורש של כללי החלטות.היכולת הזו הופכת אותם מתאימים באופן אידיאלי לחיזוי הסיכון לקראה בחולי סוכרת, שבו מרחב הקלט הוא גבוה ממדים, והיחסים הם לעתים קרובות לא לינאריים.

  • (FLT:0)Handling נתונים עתירי משקל: מודלים של ML יכולים לעבד מאות או אלפי תכונות קלט (תוצאות עבודה, תרופות, סימנים חיוניים, ⁇ חברתית) ללא התאמה יתר, הודות לשיטות התקינה והרכב.
  • (FLT:0) רכישת אינטראקציות לא לינאריות: ניב 1:1 , רשתות ניאל ומודלים המבוססים על עץ מגלים באופן אוטומטי אינטראקציות מורכבות בין משתנים - לדוגמה, כיצד ההשפעה של HbA1c על סיכון קריאה שונה בהתאם לגיל המטופל ותפקיד הכליות.
  • (FLT:0) ,Adaptancy: 1FLT מודלים ניתן לפטור מחדש כמידע חדש להיות זמין, המאפשר לבתי חולים לשפר באופן מתמיד את כלי החיזוי סיכון שלהם.
  • (FLT:0) תפוקה פרוביביליסטית: FLT:1 במקום פשוט כן / ללא סיווג, אלגוריתמים של ML יכולים להפיק ציון הסתברות, אשר מרפאים יכולים להשתמש כדי לאשר התאמות.

טכניקות למידה וטכנולוגיות מפתח

יערות אקראיים

יערות אקראיים, הרכב של עצי ההחלטות, הפכו למגורים במשימות חיזוי רפואיות.כל עץ מאומן על מדגם מגפיים מלוכד של הנתונים, והחיזוי הסופי הוא הממוצע (לחזרה) או ברוב קולות (לסיווג) בכל העצים.בניתוח 2023 על ידי FLT:0 Jovanovic et al.Fal Regression 1), מודל אקראי של מספר מקרי של אינסולין, אפילו על ידי 0.89 קדמיון של שימוש ב- 5.

Gradient Boosting Machines (GBM)

הגדלת גודל בונה עצים באופן משמעותי, עם כל עץ חדש תיקון שגיאות של אחד. XGBoost, LightGBM, ו CatBoost הם יישום פופולרי המציע ביצועים גבוהים ונבנה טיפול של שחרור של נתונים חסרים. A 2024 סקירה שיטתית שפורסם ב- FLT:0npj רפואה דיגיטלית LT:1 נמצא כי ⁇ שיפור מודלים עקבי בין מספר גבוה של תאים, כולל מספר גדול של סוכרת.

רשתות נילי ולמידה עמוקה

מודלים מעמיקים של למידה, במיוחד רשתות עצביות חוזרות ונשנות (RNN) וזיכרון לטווח קצר ארוך (LSTM) רשתות נועדו ללכוד תבניות זמניות בנתונים של נתונים הסתברותיים כגון תוצאות מעבדה וסימנים חיוניים לאורך זמן. במחקר שנערך בשנת 2022 מ-FLT:0Lee et al.LSFLT:1, מודל LSTM באמצעות סדרה של מדידות שעה (למשל, לחץ דם קבוע) עם רמות נמוכות יותר של 0, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לחץ דם קבוע של 0.

מכונות וטרינריות (SVM)

SVMs יעילים בחללים גבוהים ועדיין משמשים במספר מחקרים בנושא חיזוי קריאה, במיוחד כאשר הנתונים הסטטיסטיים הם קטנים יחסית. על ידי מיפוי תכונות קלט לתוך שטח גבוה יותר ממדים באמצעות פונקציה גרעין (למשל, הפונקציה בסיס רדיואקטיבי), SVMs יכול למצוא גבולות החלטה לא לינארית. בניתוח השוואתי של חולים ממסד נתונים MIM-III, AV2 עם ARM עם פחות מקבילה של יערות, אך פחות , עם ARM2, עם ARM עם ARM עם פחות , עם ARMI פחות מקבילה של פחות , עם ARM2, עם ARMI, עם ARM, עם ARM, עם ARMI, עם ARM2 פחות , עם פחות , עם פחות , עם פחות , עם פחות , עם ARM2 פחות , עם ARM עם ARM עם , עם , עם פחות , עם הסתברות של פחות , עם , עם הסתברות של פחות , עם הסתברות של פחות הסתברות של פחות הסתברות של פחות קריטריונים של פחות הסתברות של פחות הסתברות של פחמן, עם הסתברות של פחות הסתברות של פחות הסתברות של פחות הסתברות של פחמן פחות הסתברות של פחמן פחות הסתברות

מודלים היברידיים ואנסמבל

שום אלגוריתם יחיד הוא הטוב ביותר.הרבה מאמצים אחרונים משלבים מודלים מרובים כדי להגביר את הביצועים.לדוגמה, ערערת יער אקראי, מכונת דחיפה ⁇ , ומודל תוקפנות לוגיסטי יכול להביא לשיפור AUC של 1-3 נקודות על כל מודל מתפתח אחר.מגמה נוספת היא השימוש ברשתות עצביות מהפכתיות (CNN) על נתונים המובנות על ידי הפיכת תכונות לשוניות ל 2D, למרות שעדיין ניסיוני קו מחקר זה הוא עדיין.

מקורות נתונים והנדסת תכונות

רשומות בריאות אלקטרוניות (EHRs)

עמוד השדרה של רוב דגמי החיזוי של החיזוי קריאה הוא שדות נתונים ממובנים כוללים דמוגרפיים (גיל, מין, גזע), מידע קבלה (מקור, סוג שירות, אורך שהייה), אבחון (קודים של EHR-10 עבור סיבוכים סוכרת, תחלואה), נהלים (surgeries, dialysis מתחילה), תרופות (inulin, hypoglycemics), אנטיביוטיקה), ותוצאות מעבדה (Hb1, גלוקוז, ספירת סימנים), כגון, סריקות דם) של תכונות טיפוליות (מניעה) של עיבוד דם (תוספת) בדם (מניעה, בדיקות) או בדיקות).

גורמים סוציו-אקונומיים והתנהגותיים

ההכרה כי צווי קריאה מונעים על ידי יותר ממשתנים קליניים, החוקרים שילבו את הדטרמיוניים החברתיים של בריאות.הנתונים כגון הכנסה ביתית, רמת חינוך, סוג ביטוח (Medicaid לעומת פרטי), מרחק מבית החולים, ואפילו יציבות דיור יכול לשפר באופן משמעותי את ביצועי המודל. A 2023 מחקר ב FLT:0Diabetes CareF1LT מצא כי הוספת חמישה תכונות חברתיות עלה על ידי AUC4 יכול גם לשלב פרוטוקולים של ניתוח קליני של שיטות למידה.

תכונות טמפליות וארוכות

תמונות סטטיות בהודאה מפספסות כיצד מצב המטופל מתפתח.טכניקות הנדסיות כגון ממוצעי מתגלגל (למשל, גלוקוז ב-48 השעות האחרונות), מדרונות (השינוי ב- קריאטינין), תנודתיות (סטיה סטנדרטית של גלוקוז), ואינדיקטורים אופנתיים (אם HA1c גדל או ירד מהכניסה הקודמת) הוכחו להיות חיזוי מאוד ב-RNN ו- ®2, הם כוללים מודלים נוספים, אך ורק על ידי צבעים, אך הם נדרשים באופן טבעי, אך ורק על ידי תאים אלה, אך ורק על ידי מודלים אלה, אך ורק על ידי תאים אלה, אך ורק על ידי תאים אלה, אך הם נמצאים על ידי מודלים קבועים, אך הם כוללים מודלים אלה, אך ורק על ידי תאים אלה, אך ורק על ידי תאים אלה, אך ורק על ידי צבעים, אך ורק על ידי תאים אלה, אך ורק על ידי תאים אלה, אך ורק על ידי צבעים, הם, אך ורק על ידי תאים גמישים, אך ורק על ידי צבעים, אך ורק על ידי צבעים, הם, הם, הם, הם, אך ורקמותיים, הם, אך ורק על ידי צבעים קבועים, הם, הם, הם, הם, הם, הם, הם, הם, הם, הם, אך ורק על ידי צבעים קבועים

איזון והערכה

דוחות הם אירוע נדיר יחסית - לעתים קרובות 10-20% של אשפוזים.זה יוצר בעיה חוסר איזון מעמדי שבו מודלים של למידת מכונה עשויים להיות מוטה כלפי חיזוי "לא לקרוא" ולהשיג דיוק גבוה על ידי רק לחזות את שיעור הרוב. כדי להתמודד עם זה, טכניקות כגון Synthetic Minority Over-sampling טכניקה (SMOTE), הסתגלות סינתמטית SADASYN), ועלויות רגישות ל-Dancedanced (STE) באמצעות מודל של HDD.

אתגרים ומגבלות

איכות נתונים ושלמות

הנתונים של EHR הם לשמצה מבולגנים.ערכים מעבדה חסרים, קידוד עקבי של אבחון (במיוחד סיבוכים סוכרתיים), וערכים שגויים יכולים לזלזל בביצועי מודל. בעוד אלגוריתמים רבים של ML מטפלים בנתונים חסרים באמצעות אימפולס או מנגנונים מובנה (למשל, XGBoost לומדת כיוונים ברירת מחדל), איכות של חומרי מזהמים.

חוסר יכולת ואמון

רופאים אינם מעוניינים לפעול על ציון סיכון אם הם לא יכולים להבין מדוע הוא נוצר.מודלים למידה עמוקה, במיוחד, הם לעתים קרובות ביקורתיים כמו "קופסאות שחורות" (טכניקות כמו SHAP (SHapley Additive exPlanations) ו-LIME (מודלים מקומיים בין-מודלים לאגנוסטיים) פותחו כדי לספק הסברים ברמה מסוימת לתחזיות אישיות.

« « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « «

מודלים של למידת מכונות יכולים להנצח או להגביר פערים קיימים של בריאות.אם נתוני האימון משקפים הטיות מערכתיות – למשל, קבוצות מיעוט ייצוגיות שקיבלו פחות ניהול גלוקוז אגרסיבי – המודל עשוי להקצות סיכון גבוה יותר לקריאות לקבוצות אלה ללא בסיס פיזיולוגי. A 2024 ביקורת על מודל חיזוי אישור קריאה מצא כי יש לו שיעור חיובי של 20% גבוה יותר עבור חולים עבור נטייה לחיקוי, כולל זיהוי מתמטית, לא צריך גם טיפול פסיכולוגי.

שילוב לתוך זרימת עבודה קלינית

אפילו מודל חיזוי מדויק לחלוטין הוא חסר תועלת אם הוא לא מאומצ על ידי רופאים. הרבה ניסיונות מוקדמים לפרוס כלי חיזוי קריאה נכשל כי הפלט הוצג בפורמט לא נוח (למשל, דו"ח נפרד הדורש כניסה למערכת אחרת), או כי רופאים קיבלו אזהרות רבות מדי שהובילו לעייפות.

כיוונים עתידיים

הסברה בינה מלאכותית להסכמה קלינית

טכניקות חדשות ב-AI (XAI) נועדו לגשר על הפער בין דיוק מודל לבין הפרשות.לדוגמה, מודלים של צוואר בקבוקוני קונספט לכפות רשת עצבית לחיזוי מושגים רפואיים בינוניים ראשונים (למשל, "שליטה גליקוליקמית", "נוכחי הזיהוי"), לפני שגורמים לחיזוי הקראה הסופי.

זמן אמיתי, חיזוי דינמי

במקום ציון סיכון חד פעמי בפריקה, מערכות עתידיות יעדכנו תחזיות באמצעות נתוני הזרמת ממוניטורים, אוטומציה במעבדה ואפילו מכשירים לבישים.A מטופל שהגזול שלו מוקרן למעלה למעלה, וכי לחץ הדם שלו עולה יכול להיות מוקרן שעות לפני אירוע קריטי מתרחש. A 2025 מחקר טייס במרכז טיפול tertiary הראה כי מודל דינמי באמצעות שעות מופחתות על ידי 12% עד מודל סטטי.

Multimodal ו-Data Fusion

הגדלת מקורות נתונים מגוונים - נתונים של EHR, הדמיה רפואית (למשל, סריקות רטיניות עבור סוכרת retinopathy), genomics, ונתונים בריאותיים מהונדסים המטופל (אכילים) - פרוזות לספק תצוגה הוליסטית של הסיכון של המטופל, לדוגמה, מודל המשלב מגמות HbA1c עם גלוקוז מתמשך (GM) וגילוי מוקדם של סימנים מוקדמים של סרטן יכול להשיג סיבוכים מוקדמים של תאים.

למידה מבוססת פרטיות לשיתוף פעולה

מודלים חזקים אימונים על פני בתי חולים מרובים ללא שיתוף נתונים רגישים לחולה הוא מטרה עיקרית.למידה פדרונדית מאמן מודל גלובלי על ידי העלאה של עדכוני מודל מקומיים מכל מוסד, כך נתונים גולמיים לעולם לא עוזב את חומת האש של בית החולים. גישה זו יכולה לשפר באופן משמעותי את הדוגמנות, כמודל שהוכשר על נתונים מ-50 בתי חולים המכסים אוכלוסיות מגוונות יבצעו טוב יותר באתר חדש מאשר מודל מאומן על נתונים מבית חולים עירוני אחד.

התפתחויות אישיות

המטרה הסופית היא לא רק חיזוי, אלא גם מניעת מודלים של למידת מכונות ניתן לצמד עם כלי תמיכה של החלטות הממליץ על התערבות מותאמת המבוססת על מנהלי הסיכון הבסיסיים.עבור מטופל שהסיכון הגבוה שלו מונע על ידי בידוד חברתי, המערכת עשויה להציע ביקור בריאות ביתי או קריאה מעובד בריאות קהילתי; עבור מטופל עם משטרי אינסולין לא יציבים, מינויים בניהול תרופות מכובש יכול להיות מתוכנן מוקדם של 20% למרכז ה-FLT לחדשנות: 1.

מסקנה

למידת מכונות היא מהפכה בחיזוי של בקשות בית החולים בחולים סוכרתיים, מעבר ל סטטי, אחד בגודל של ציוני סיכון לדינמיקה, מותאמים אישית, והערכה מדויקת יותר ויותר.התקדמות ב- ⁇ , למידה עמוקה ושיטות הרכב לדחוף את הגבולות של מה אפשרי, בעוד מקורות נתונים יעילים יותר - מתחומים של EHR ועד להערות לא ממובנות ומאכילים - יש העשרה את התכונות הרפואיות ביותר, אך ישארו אתגרים משמעותיים, ככל שיהיו זמינים, כך שעדיין, כך שגורמים חיוניים, כך שגורמים לשילובים, כך שעדיין לא יכולים לספק מידע מקצועי, כך, כך, כך, כך שגורמים יעילים יותר, כך שגורמים חיוניים, כך שגורמים חיוניים, כך, כך שגורמים בתחום הבריאותיים, כך שגורמים חיוניים, כך, כך, כך, כך שגורמים הקשורים לשילובם, יהיו מסוגלים לספק, כך שגורמים איכותיים יותר, כך שגורמים בתחום אבטחת מידע יעיל יותר, כך, כך שגורמים הקשורים לשילובם, כך שגורמים בעלי יכולת חיים מתקדמים יותר, כך שגורמים בתחום הבריאותיים, כך שגורמים בעלי יכולת טיפול רפואי, יהיו מסוגלים לספק, כך שעדיין לא יוכלו לספק, כך שגורמים בתחום הבריאות, כך שגורמים יעילים יותר – החל מתחומים איכותיים יותר – החל מתחומים איכותיים יותר – החל מ