Intelligentes Diagnose- und Behandlungsmodell auf der Grundlage klinischer Daten für die häusliche Rehabilitation bei chronisch obstruktiver Lungenerkrankung

Zusammenfassung

Ein klinisches datengesteuertes Modell, das XGBoost und LSTM kombiniert, verbessert die häusliche Rehabilitation bei COPD und verbessert die Datengenauigkeit und Vorhersage. Es erreicht eine Genauigkeit von 98 % und eine Verbesserung der Indikatoren von 42,5 % und überwindet damit die Einschränkungen der traditionellen Krankenhausbehandlung.

Zusammenfassung

Die traditionelle Rehabilitationsbehandlung im Krankenhaus bei chronisch obstruktiver Lungenerkrankung (COPD) ist mit Problemen wie Ressourcenknappheit, hohen Kosten und unbequemen Transportmöglichkeiten verbunden. Um den Komfort der Rehabilitationsbehandlung bei COPD zu verbessern, wird ein klinisches, datengestütztes, intelligentes Diagnose- und Behandlungsmodell für das Rehabilitationsmanagement von COPD zu Hause vorgeschlagen. Das intelligente Diagnose- und Behandlungsmodell für die Heimrehabilitation der COPD wird durch die Kombination des XGBoost-Algorithmus und des Long Short-Term Memory-Netzwerks optimiert. Die Ergebnisse deuten darauf hin, dass der XGBoost-Algorithmus die höchste Genauigkeit bei der Verarbeitung klinisch strukturierter Daten aufweist, während der Random Forest (RF)-Algorithmus die geringste Genauigkeit bei der Verarbeitung klinisch strukturierter Daten aufweist. Wenn die Anzahl der Trainingsgebiete 300 beträgt, betragen die Genauigkeitsraten 98 % bzw. 83 %. Die Integration des XGBoost-Algorithmus und des Long-Short-Term-Memory-Netzwerks wird zur Verarbeitung der Überwachungsindikatoren verwendet, was zu der höchsten Verbesserungsrate und dem kleinsten mittleren quadratischen Fehler führt. Bei einem Stichprobenumfang von 1000 beträgt die Verbesserungsrate der Überwachungsindikatoren 42,5 % und der mittlere quadratische Fehler 0,041. Die in der Studie vorgeschlagene Methode kann klinische Daten effektiv verarbeiten, die Genauigkeit der Datenverarbeitung verbessern und zukünftige Veränderungen bei COPD genau vorhersagen.

Einleitung

COPD ist eine häufige chronische Krankheit mit hohen Behinderungs- und Sterblichkeitsraten, die den Lebensstandard der Patienten erheblich beeinträchtigt. Das traditionelle Rehabilitationsmanagementmodell weist Probleme wie Informationsverzögerungen und vorzeitige Interventionen im Umgang mit COPD auf. Mit dem Fortschritt der Technologie haben jedoch einige neue Technologien, wie z. B. der Extreme Gradient Boosting (XGBoost)-Algorithmus, neue Möglichkeiten für das Management von COPD¹ eröffnet. Während XGBoost seine Anwendbarkeit in verschiedenen Kontexten der Gesundheitsüberwachung, einschließlich der Sportmed....

Protokoll

Diese Studie wurde von der Ethikkommission des Taizhou Cancer Hospital geprüft und genehmigt. Vor der Datenerhebung wurde von allen Teilnehmern eine schriftliche Einverständniserklärung eingeholt, die den institutionellen und nationalen ethischen Standards entspricht. Die verwendeten Reagenzien und die verwendete Software sind in der Materialtabelle aufgeführt.

1. Überblick über den Workflow

Der End-to-End-Workflow für die Verarbeitung strukturierter klinischer Daten mit XGBoost ist in Abbildung 1 dargestellt und umfasst die Erfassung von Funktionen, d....

Ergebnisse

Stabilität der Stichprobengröße und optimale Leistung
Um die Stabilitätsschwelle explizit zu veranschaulichen, stellen wir zunächst Tabelle 1 vor, gefolgt von Lernkurven in Abbildung 3 und Abbildung 4. Tabelle 1 zeigt den mittleren ± SD von Genauigkeit, AUC und über zunehmende Trainingsgrößen für den XGBoost-Klassifikator für strukturierte Daten und für den LSTM für multivariate Zeitreihen. W.......

Diskussion

Zusammenfassung der wichtigsten Ergebnisse
COPD stellt eine erhebliche klinische und gesellschaftliche Belastung durch Atemstörungen, eingeschränkte Mobilität und wiederkehrende akute Exazerbationen dar¹⁰. Die Nutzung einer kontinuierlichen Heimüberwachung mit erklärbaren Analysen kann diese Belastung verringern, indem eine frühere Erkennung und gezielte Intervention ermöglicht wird. In dieser Studie erzielte ein hybrider Workflow, der XGBoost .......

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
CUDA	NVIDIA	11.6	Eine parallele Computing-Plattform und ein Programmiermodell, das zur Beschleunigung von Berechnungen auf GPUs verwendet wird.
cuDNN	NVIDIA	8.2	Eine GPU-beschleunigte Bibliothek für tiefe neuronale Netze zur Optimierung der Modelltrainingsleistung.
EKG-Gerät	Philips	PageWriter TC70	Wird verwendet, um Herzfrequenzmessungen vom tragbaren Gerät zu validieren.
GPU	NVIDIA	RTX 3080	Hochleistungs-GPU zur Beschleunigung des Modelltrainings für große Datensätze.
LSTM-Modell	-	-	Neuronales Netzwerk mit langem Kurzzeitgedächtnis, das für die Verarbeitung von Zeitreihendaten verwendet wird.
Pulsoximeter	Masimo	Rad-97	Wird verwendet, um die Blutsauerstoffsättigung (SpO2) zu messen und die Genauigkeit des tragbaren Geräts zu validieren.
Python	Python-Software-Stiftung	3.10.6	Programmiersprache, die für die Datenverarbeitung, das Modelltraining und die Auswertung verwendet wird.
TensorFlow	Googeln	2.13	Softwarebibliothek, die zum Trainieren des LSTM-Modells und zum Durchführen von Berechnungen neuronaler Netze verwendet wird.
Tragbarer Aktivitätstracker	Fitbit (Englisch)	Ladung 5	Wird zur Verfolgung von Schritten und körperlicher Aktivität verwendet.
XGBoost	-	-	Softwarebibliothek, die für das Gradient Boosting (maschinelles Lernen) verwendet wird.