예측 불가능한 병원 재입원 예측을 위한 시간적 데이터 요구사항

전자 건강 기록 (EHR) 의 확산으로 인해 예측 모델 구축 시 가장 중요한 과제는 정확도를 최대화하는 최적의 역사적 데이터 시간 창을 결정하는 것입니다. 본 연구는 수술일로부터 3 년 전까지 다양한 관찰 창이 골절 및 무릎 인플란트 후 30 일 재입원 예측에 미치는 영향을 조사합니다. 데이터셋은 7,174 명의 환자에서 구조화된 encounter 기록 (400 만 건 이상) 과 비구조화된 임상 노트 (80,000 건) 를 포함합니다. 임상 노트의 의미를 추출하기 위해 우리는 신경망 기반이 아닌 (BOW, count BOW, TF IDF, LDA) 와 신경망 기반 인코더 (BERT, 1D CNN, BiLSTM, Average) 를 포함한 일련의 인코더를 사용했습니다. 이후 임상 노트만, 구조화된 데이터만, 그리고 두 모달리티의 조합을 사용하는 모델을 평가했습니다. 우리의 결과는 비구조화된 임상 노트의 최적 시간 창이 구조화된 데이터보다 유의미하게 짧다는 것을 보여줍니다. 수술 전 3 개월에서 6 개월 간의 노트를 사용하여 최대 예측 성능을 달성했습니다. 반면, 구조화된 데이터를 사용한 성능은 시간 창 길이가 증가함에 따라 개선되었지만, 12 개월 이후에는 엄격히 평평해졌습니다. 이러한 모달리티 특성의 시간적 패턴은 모델의 복잡성이나 인코더 유형에 관계없이 일관되어 있었습니다. 궁극적으로, 이러한 발견은 더 많은 역사적 데이터가 본질적으로 더 나은 머신 러닝 예측을 만든다는 일반적인 가정을 도전하며, 재입원 예측 모델을 최적화하기 위한 표적 시간 창 지침을 설정합니다.