Predicting In-Hospital Falls Using Routine Care Data: A Precision Nursing Evaluation of Resampling Strategies for Imbalanced Classification
Deze studie toont aan dat een Random Forest-model, verbeterd door RandomOverSampler, de hoogste voorspellende nauwkeurigheid (77,00%) bereikt voor vallen in het ziekenhuis met behulp van routinematig verzamelde gegevens, waarmee het complexe generatieve technieken overtreft en bevestigt dat eenvoudigere resamplingstrategieën effectief de klassenonbalans aanpakken voor interpreteerbare precisieverpleegkundige toepassingen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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 de stille gangen van een ziekenhuis hangt de veiligheid van een patiënt af van een constante, vaak onzichtbare, waakzaamheid. Tussen de vele risico's waar een persoon mee te maken krijgt tijdens de zorg, is vallen een bijzonder gevaarlijke gebeurtenis. Het is niet louter een struikeling; het kan leiden tot botbreuken, hoofdletsel en een diepgewortelde angst die een persoon ervan weerhoudt te bewegen, wat diegene op zijn beurt weer verder verzwakt. Omdat vallen relatief zeldzaam is in vergelijking met het totale aantal opgenomen patiënten, verschijnen ze als verspreide, geïsoleerde incidenten in de enorme dossiers van een ziekenhuis. Deze zeldzaamheid maakt ze moeilijk te voorspellen met standaard computerprogramma's, die vaak in de war raken wanneer één type uitkomst veel minder vaak voorkomt dan een ander. Om dit op te lossen, zijn onderzoekers begonnen met het onderzoeken van hoe ze computers kunnen leren om deze zeldzame gebeurtenissen te herkennen door de data waar ze van leren aan te passen, een proces dat in het vakgebied van kunstmatige intelligentie bekend staat als het afhandelen van ongebalanceerde data. Het doel is om een systeem te bouwen dat naar de basisinformatie van een patiënt kan kijken en met een bepaalde mate van vertrouwen kan zeggen wie een risico loopt, zodat verpleegkundigen kunnen ingrijpen voordat er een ongeluk gebeurt.
Een team van onderzoekers in Brazilië begon te testen of routinematige ziekenhuisgegevens, het soort data dat dagelijks wordt verzameld voor facturatie en administratie, gebruikt konden worden om een dergelijk systeem te bouwen. Ze verzamelden informatie uit drie openbare ziekenhuizen en bekeken meer dan 45.000 patiëntendossiers over een periode van tien jaar. Deze dossiers bevatten eenvoudige details: de leeftijd van de patiënt, hun geslacht, hun ras, hun burgerlijke staat, hoe lang ze in het ziekenhuis waren opgenomen en of ze een geregistreerde beperking hadden. Cruciaal was dat de onderzoekers geen gespecialiseerde medische tests of complexe klinische scores gebruikten die specifiek ontworpen zijn voor valrisico. In plaats daarvan vertrouwden ze volledig op de alledaagse data die al in de computersystemen van het ziekenhuis aanwezig zijn. Ze wilden zien of ze een computer konden trainen om de patronen van een val te herkennen met alleen deze gewone informatie, en om de beste manier te vinden om de computer te leren aandacht te besteden aan de zeldzame gevallen van vallen zonder overweldigd te raken door de vele gevallen waarin niet is gevallen.
Om dit te doen, probeerden de onderzoekers verschillende methoden uit om de data te balanceren. Stel je een klas voor waar 76 leerlingen nooit hun boeken laten vallen en slechts 24 wel. Als een leraar alleen naar de meerderheid kijkt, leert hij misschien nooit hoe de 'valler' eruitziet. De onderzoekers probeerden vier verschillende manieren uit om deze onbalans te herstellen. Eén methode kopieerde simpelweg de dossiers van de patiënten die vielen om er meer van te maken. Een andere methode verwijderde enkele dossiers van patiënten die niet vielen om de groepen gelijk te maken. Ze probeerden ook meer geavanceerde technieken die volledig nieuwe, nep patiëntendossiers creëerden die er echt uitzagen maar door een computer waren gemaakt, in de hoop dat deze nieuwe voorbeelden het model beter zouden helpen leren. Vervolgens testten ze acht verschillende soorten computerleer-algoritmen, variërend van eenvoudige beslissingsbomen tot complexe systemen die veel beslissingsbomen tegelijk bouwen, om te zien welke combinatie het beste werkte.
De resultaten lieten zien dat de eenvoudigste aanpak vaak de meest effectieve was. Het best presterende systeem was een model dat de "kopieer"-methode gebruikte om de data te balanceren, gecombineerd met een algoritme dat veel beslissingsbomen bouwt om een uiteindelijke voorspelling te doen. Deze opstelling identificeerde valrisico's correct met een gebalanceerde nauwkeurigheid van 77 procent. Dit was een duidelijke verbetering ten opzichte van een basismodel dat geen enkele balanceringsmethode gebruikte, dat slechts 72,8 procent bereikte. Deze bevinding suggereert dat het simpelweg ervoor zorgen dat de computer genoeg voorbeelden van vallen ziet, voldoende is om het oordeelsvermogen te verbeteren. Verrassend genoeg hielpen de complexere methoden niet. De geavanceerde techniek die nep patiëntendossiers creëerde, hoewel indrukwekkend in haar vermogen om data te genereren, presteerde eigenlijk slechter dan de eenvoudige kopieermethode, met een nauwkeurigheid van slechts ongeveer 70 procent. De onderzoekers ontdekten dat de complexiteit van het genereren van nieuwe data niet vertaalde naar betere voorspellingen voor dit specifieke type ziekenhuisdossier.
Toen de onderzoekers nauwkeurig keken naar waar het beste model op lette, sprongen drie factoren eruit als de belangrijkste aanwijzingen. De eerste was leeftijd; oudere patiënten werden consequent gemarkeerd als een hoger risico. De tweede was de tijd die een patiënt in het ziekenhuis doorbracht. Het model vond dat patiënten die tussen de 10 en 59 dagen aanwezig waren, een opvallend hoger risico liepen dan zij die net gearriveerd waren of zij die er al zeer lang waren. De derde factor was geslacht, waarbij mannelijke patiënten in deze dataset een iets hoger risico leken te hebben dan vrouwelijke patiënten. De onderzoekers merkten op dat hoewel het model niet kon uitleggen waarom deze patronen bestonden, het ze succesvol gebruikte om voorspellingen te doen. Zo sluit de link tussen leeftijd en vallen aan bij wat al bekend is in de geneeskunde, wat de onderzoekers het vertrouwen geeft dat het model echte patronen leert in plaats van willekeurige ruis.
De studie concludeert dat ziekenhuizen geen dure, gespecialiseerde sensoren of complexe medische tests nodig hebben om vallen te voorspellen. Ze kunnen de data gebruiken die ze al hebben. Door zich te richten op leeftijd, hoe lang een patiënt is opgenomen en hun geslacht, kunnen verpleegkundigen een eenvoudig computertool gebruiken om te identificeren welke patiënten extra aandacht nodig hebben. De onderzoekers waarschuwen dat hoewel het model goed is in het herkennen van patronen, het niet bewijst dat deze factoren vallen veroorzaken; het laat simpelweg zien dat ze ermee geassocieerd zijn. Bovendien benadrukt de studie dat de meest geavanceerde technologie niet altijd de beste oplossing is. In dit geval werkte een rechttoe rechtaan methode om de data te balanceren beter dan de hoogtechnologische generatie van synthetische voorbeelden. Het werk biedt een praktisch pad vooruit voor precisieverpleegkunde, waarbij zorg wordt afgestemd op het individu op basis van de informatie die al aan het bed beschikbaar is, wat helpt om patiënten veilig te houden zonder een zware last voor het verplegend personeel te creëren.
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.