Temporal Data Requirement for Predicting Unplanned Hospital Readmissions

1. Probleemstelling

De proliferatie van Elektronische Gezondheidsdossiers (EHR's) heeft de ontwikkeling van datagedreven voorspellende modellen voor gezondheidszorguitkomsten mogelijk gemaakt, zoals ongeplande ziekenhuisopnames binnen 30 dagen. Er bestaat echter een kritieke kloof in het bepalen van het optimale temporale observatieraam voor historische data.

• De Aanname: Er heerst in het machine learning-veld de overtuiging dat "meer data beter is", wat onderzoekers ertoe brengt lange observatieramen (vaak over jaren) te gebruiken om modellen te trainen.
• De Uitdaging: Het is onduidelijk of het onbeperkt uitbreiden van het historische raam de voorspellende nauwkeurigheid verbetert, of dat er een punt van afnemende meerwaarde is. Bovendien is onbekend of de optimale raamlengte verschilt tussen gestructureerde data (tabellarisch, gecodeerd) en ongestructureerde data (klinische notities).
• Het Doel: Het identificeren van de specifieke tijdsraamlengte die de voorspellende prestaties maximaliseert voor ongeplande opnames binnen 30 dagen na heup- en knieartroplastieën, met een vergelijking tussen gestructureerde en ongestructureerde databronnen.

2. Methodologie

Dataset

• Bron: Retrospectieve data van Partners Healthcare (Epic EHR-systeem).
• Cohort: 7.174 volwassen patiënten (leeftijd 18–90 jaar) die tussen 2006 en 2016 een heup- of knieartroplastie ondergingen.
• Datavolume: Meer dan 4 miljoen encounter-records en 80.000 klinische notities.
• Doelvariabele: Ongeplande opname binnen 30 dagen na de operatie (Positieve Klasse = 1, Negatieve Klasse = 0).
• Klasse-Imbalans: De dataset is sterk onbalans (ongeveer 9,5% voor heup, 10,5% voor knie-opnames). Strategieën zoals klasse-gewichting, undersampling en oversampling werden toegepast.
• Verdeling: Data werd op patiëntniveau gepartitioneerd: 70% Training, 15% Validatie, 15% Testen.

Observatieramen

De studie evalueerde observatieramen variërend van 0 maanden (alleen operatiedag) tot 36 maanden (3 jaar) voorafgaand aan de operatie.

Feature Engineering & Encoding

De studie gebruikte drie datamodi:

1. Gestructureerde Data: Categorieën en numerieke kenmerken over 8 domeinen (Demografie, Laboratorium, Diagnose, Medicatie, Gezondheidsgeschiedenis, Procedures, Vitaliteit, Opname-informatie).
   • Encoding: One-hot encoding, tekstrepresentatie van categorische variabelen, en behandeling van tijd-gevoelige versus niet-tijd-gevoelige data.
2. Ongestructureerde Data (Klinische Notities): Vrije tekstnotities van artsen, verpleegkundigen en voorschriften.
   • Preprocessing: Tokenisatie, omzetten naar kleine letters en stemming.
   • Niet-neurale Encoders: Bag of Words (Binair, Aantal), TF-IDF en Latent Dirichlet Allocation (LDA).
   • Neurale Encoders:
     • Gemiddelde: Lineaire projectie + ReLU.
     • 1D-CNN: Convolutielagen met kernelgroottes (3, 5, 7, 9).
     • BiLSTM: Bidirectionele Long Short-Term Memory-netwerken.
     • Attention Mechanismen: Om verborgen staten te wegen op basis van relevantie.
     • Hiërarchische Modellen: BiLSTM op notitie-niveau, gevolgd door BiLSTM voor aggregatie op patiëntniveau.
     • BERT: Klinische BERT (vooraf getraind op MIMIC-III) voor contextuele woordrepresentaties.

Modelarchitectuur

• Onafhankelijke Modellen: Afzonderlijke modellen getraind voor heup- en knie-operaties.
• Multitask Learning: Gezamenlijke modellen die opnames voorspellen voor beide operatietypes, waarbij encoderparameters worden gedeeld om "kracht te lenen" over taken heen.
• Combinaties: Modellen werden getraind op (a) alleen Klinische Notities, (b) alleen Gestructureerde Data, en (c) een combinatie van beide.
• Evaluatiemaatstaf: Area Under the Receiver Operating Characteristic Curve (AUROC).

3. Belangrijkste Bijdragen

1. Optimalisatie van het Temporale Raam: De studie demonstreert empirisch dat het optimale historische dataraam niet uniform is over datatypen heen.
2. Divergentie Ongestructureerd versus Gestructureerd: Het onthult een fundamenteel verschil in hoe temporale data de modelprestaties beïnvloedt:
   • Gestructureerde Data: Prestaties verbeteren naarmate het raam uitbreidt, en stabiliseren bij 12 maanden.
   • Ongestructureerde Data (Klinische Notities): Prestaties pieken bij een korter raam (3–6 maanden) en verbeteren niet noodzakelijk (en kunnen verslechteren) met oudere data.
3. Modelagnostisch: Deze temporele patronen gelden ongeacht de modelcomplexiteit, en zijn van toepassing op zowel eenvoudige niet-neurale encoders (Logistische Regressie + BoW) als complexe neurale architecturen (BERT, BiLSTM).
4. Data-efficiëntie: De bevindingen suggereren dat voor ongestructureerde data het opslaan en verwerken van 3 jaar geschiedenis inefficiënt is; een raam van 3–6 maanden levert superieure resultaten op, wat reken- en opslagkosten verlaagt.

4. Belangrijkste Resultaten

• Prestatietrends:

  • Alleen Klinische Notities: De hoogste AUROC werd bereikt met data van 3 tot 6 maanden voorafgaand aan de operatie. Prestaties daalden bij het gebruik van data ouder dan 6 maanden of data van alleen de operatiedag.
  • Alleen Gestructureerde Data: AUROC steeg gestaag naarmate het raam groeide van 0 tot 12 maanden, en stabiliseerde daarna. Geen significante winst werd waargenomen boven de 12 maanden.
  • Gecombineerde Data: Het gecombineerde model volgde de trend van de klinische notities, met het optimale raam van 3–6 maanden. Dit geeft aan dat de hoge voorspellende kracht van recente klinische notities de bijdrage van oudere gestructureerde data domineert.

• Kwantitatieve Bevindingen (AUROC):

  • Voor knie-operaties met Klinische Notities + Gestructureerde Data, bereikte het model met 3 maanden historische data een AUROC van 0,930 (Multitask), wat significant beter presteerde dan modellen die alleen data van de operatiedag (0,881) of 36 maanden data gebruikten.
  • Heup-operaties vertoonden vergelijkbare trends, waarbij het 3-maandenraam de beste resultaten opleverde (bijvoorbeeld 0,888 AUROC voor gecombineerde data).

• Multitask Learning: Hoewel multitask learning in sommige gecombineerde scenario's lichte prestatieverbeteringen toonde, bleven de temporele data-eisen consistent met onafhankelijke modellen. De optimale raamlengte was onafhankelijk van de leerverstategie (onafhankelijk versus multitask).

5. Betekenis en Implicaties

• Uitdaging aan "Meer Data is Beter": De studie weerlegt de algemene heuristiek dat langere historische ramen altijd de ML-prestaties in de gezondheidszorg verbeteren. Voor ongestructureerde klinische notities is recentheid waardevoller dan volume.
• Operationele Efficiëntie: Ziekenhuizen en data-engineers kunnen EHR-opslag- en ophaalsystemen optimaliseren door zich te richten op het 3–6 maanden raam voor ongestructureerde data, in plaats van jaren aan historische notities in te nemen, waardoor latentie en opslagkosten worden verlaagd.
• Klinische Relevantie: De bevindingen suggereren dat het klinische verhaal rondom de recente pre-operatieve status van een patiënt (3–6 maanden) de sterkste voorspeller is van directe post-operatieve complicaties, terwijl oudere gestructureerde geschiedenis (bijvoorbeeld demografie, eerdere diagnoses >1 jaar geleden) afnemende meerwaarde biedt.
• Toekomstige Richtingen: De auteurs suggereren deze bevindingen te valideren op andere operatietypes (bijvoorbeeld cardiovasculair) en in verschillende zorgsystemen om generaliseerbaarheid te waarborgen buiten het in deze studie gebruikte Epic EHR-systeem.

Conclusie

Dit artikel biedt een kritieke richtlijn voor het bouwen van voorspellende modellen in de gezondheidszorg. Het stelt vast dat optimale temporele data-eisen specifiek zijn voor het datatype: gestructureerde data profiteert van een langere geschiedenis (tot 12 maanden), terwijl ongestructureerde klinische notities het meest voorspellend zijn binnen een kort, recent raam (3–6 maanden). Het negeren van deze nuances kan leiden tot suboptimale modelprestaties en inefficiënt gebruik van middelen.