A New Trained Supervised Method for Calculating Patient Similarity
Dit artikel stelt een nieuwe gesuperviseerde patiëntgelijkenis-metriek voor met behulp van gewogen cosinusgelijkenis met ontspannen adaptieve group lasso-gewichten, wat de discriminatie en algehele voorspellende nauwkeurigheid van gepersonaliseerde modellen voor binaire gezondheidsuitkomsten aanzienlijk verbetert, ondanks een kleine afruil in kalibratie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In het moderne medische landschap worden enorme digitale dossiers met patiëntgeschiedenissen steeds vaker beschikbaar, wat een schat aan informatie biedt voor het voorspellen van gezondheidsuitkomsten. Traditioneel hebben artsen en datawetenschappers één universeel model gebouwd om te voorspellen hoe een specifieke ziekte zich bij iedereen zou kunnen ontwikkelen. Deze aanpak behandelt elke patiënt als onderdeel van een massieve, gemengde groep, uitgaande van de veronderstelling dat de gemiddelde ervaring van de gehele populatie van toepassing is op het individu. Echter, een groeiende stroming binnen de gepersonaliseerde geneeskunde suggereert dat deze "one-size-fits-all"-strategie de plank misslaat. In plaats daarvan stelt zij voor dat de beste voorspelling voor een specifiek persoon voortkomt uit het bestuderen van alleen die andere mensen die het meest op hen lijken. De uitdaging is dan niet alleen het hebben van de data, maar het uitzoeken van de exacte manier waarop "gelijkenis" tussen twee mensen gemeten kan worden wanneer zij op tientallen manieren van elkaar verschillen, van hun leeftijd en geslacht tot hun complexe, fluctuerende vitale functies.
Een team onderzoekers aan de Universiteit van Waterloo pakte dit probleem aan door een nieuwe manier te ontwikkelen om te berekenen hoe vergelijkbaar twee patiënten zijn. Hun werk richt zich op een methode genaamd gepersonaliseerde voorspellende modellering, waarbij een uniek voorspellend model voor elk individu wordt gebouwd met behulp van een kleine, op maat gemaakte groep vergelijkbare patiënten uit de trainingsdata. De kern van hun innovatie is een nieuw wiskundig hulpmiddel om gelijkenis te meten. Waar eerdere methoden vaak elke stukje patiëntinformatie als even belangrijk beschouwden, of vertrouwden op experts om te bepalen welke factoren het meest telden, laat deze nieuwe aanpak de data zelf beslissen. De onderzoekers creëerden een systeem dat een specifieke belangenscore toekent aan elk stukje informatie dat een patiënt heeft, zoals een bloeddrukmeting of een diagnose, gebaseerd op hoe sterk die factor de betreffende uitkomst daadwerkelijk voorspelt. Ze gebruikten een geavanceerde statistische techniek om de ruis weg te filteren en de signalen te benadrukken, waardoor de computer effectief leerde welke details zwaar gewogen moesten worden en welke genegeerd moesten worden bij het vergelijken van twee mensen.
De onderzoekers testten deze nieuwe methode door duizenden gesimuleerde patiëntendossiers met bekende uitkomsten te creëren, variërend van scenario's met een laag risico tot scenario's met een hoog risico, en pasten vervolgens hun algoritme toe om te zien of het de juiste matches kon vinden. Ze vergeleken hun nieuwe gewogen methode met oudere, standaardmethoden voor het meten van gelijkenis, zoals eenvoudige afstandsberekeningen die alle datapunten hetzelfde behandelen. De resultaten toonden aan dat hun nieuwe aanpak aanzienlijk beter was in het onderscheiden tussen patiënten die verschillende uitkomsten zouden hebben, een kwaliteit die bekend staat als discriminatievermogen. In veel van hun tests identificeerde de nieuwe methode correct de meest vergelijkbare patiënten, waardoor het model scherpere, nauwkeurigere voorspellingen kon doen. Interessant genoeg waren de voorspellingen van de nieuwe methode soms iets minder perfect gekalibreerd aan de exacte waarschijnlijkheden, maar de enorme verbetering in het vermogen om patiënten van elkaar te onderscheiden betekende dat de algehele nauwkeurigheid van de voorspelling hoger was. In één specifieke simulatie met matige signalen kwamen de beste resultaten voort uit het trainen van het model op slechts de bovenste twintig procent van de meest vergelijkbare patiënten, in plaats van de gehele dataset te gebruiken.
Om te zien of dit standhield in de echte wereld, paste het team hun methode toe op een enorme, reële database van gegevens uit intensive care-afdelingen van meer dan 200.000 patiëntenverblijven in de Verenigde Staten. Ze richtten zich op het voorspellen van de vraag of een patiënt zijn ziekenhuisverblijf zou overleven, waarbij ze een combinatie gebruikten van demografische gegevens en complexe, continue vitale functies zoals hartslag en zuurstofgehalte gedurende de eerste vierentwintig uur. Net als in de simulaties presteerde de nieuwe gewogen methode beter dan de standaardbenadering. Wanneer de onderzoekers hun nieuwe hulpmiddel gebruikten om de meest vergelijkbare twintig procent van de patiënten te selecteren om het model voor een specif kind specifiek te trainen, waren de resulterende voorspellingen nauwkeuriger dan die gemaakt door de standaardmethode of de gehele dataset. De studie suggereert dat door de data te laten bepalen welke kenmerken het belangrijkst zijn, in plaats van te vertrouwen op vaste regels of deskundige aannames, medische modellen veel nauwkeuriger kunnen worden. De onderzoekers merken op dat hoewel hun methode veelbelovend is, deze het meest effectief is wanneer de onderliggende signalen in de data sterk zijn, en zij van plan zijn te onderzoeken hoe deze technieken in de toekomst werkzaam kunnen zijn met nog complexere machine learning-modellen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.