XGBoost ve LSTM'yi birleştiren klinik veriye dayalı bir model, KOAH için evde rehabilitasyonu geliştirerek veri doğruluğunu ve tahminini iyileştirir. Geleneksel hastane tabanlı tedavinin sınırlamalarını ele alarak %98 doğruluk ve %42.5 gösterge iyileştirmesi sağlar.
Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.
Araştırma makalesi
Kronik Obstrüktif Akciğer Hastalığının Evde Rehabilitasyon Yönetimi için Klinik Verilere Dayalı Akıllı Tanı ve Tedavi Modeli
Bu makalede
Özet
Özet
Kronik obstrüktif akciğer hastalığı (KOAH) için geleneksel hastane içi rehabilitasyon tedavisi, kaynak sıkıntısı, yüksek maliyet ve uygunsuz ulaşım gibi sorunlara sahiptir. KOAH için rehabilitasyon tedavisinin rahatlığını artırmak için, KOAH'ın evde rehabilitasyon yönetimi için klinik veriye dayalı akıllı bir tanı ve tedavi modeli önerilmiştir. KOAH'ın evde rehabilitasyonu için akıllı tanı ve tedavi modeli, XGBoost algoritması ve uzun kısa süreli bellek ağı birleştirilerek optimize edilmiştir. Sonuçlar, XGBoost algoritmasının klinik yapılandırılmış verileri işlemede en yüksek doğruluğa sahip olduğunu, rastgele orman (RF) algoritmasının ise klinik yapılandırılmış verileri işlemede en düşük doğruluğa sahip olduğunu göstermektedir. Eğitim numunelerinin miktarı 300 olduğunda, doğruluk oranları sırasıyla %98 ve %83'tür. XGBoost algoritmasının ve uzun kısa süreli bellek ağının entegrasyonu, izleme göstergelerini işlemek için kullanılır, bu da en yüksek iyileştirme oranı ve en küçük ortalama kare hatası ile sonuçlanır. Örneklem büyüklüğü 1000 olduğunda, izleme göstergelerinin iyileşme oranı %42,5 ve ortalama kare hatası 0,041'dir. Çalışmada önerilen yöntem, klinik verileri etkili bir şekilde işleyebilir, veri işlemenin doğruluğunu artırabilir ve KOAH'ta gelecekteki değişiklikleri doğru bir şekilde tahmin edebilir.
Giriş
KOAH, hastaların yaşam standartlarını önemli ölçüde etkileyen, yüksek sakatlık ve ölüm oranlarına sahip yaygın bir kronik hastalıktır. Geleneksel rehabilitasyon yönetimi modelinde KOAH ile mücadelede bilgi gecikmesi ve zamansız müdahale gibi sorunlar bulunmaktadır. Bununla birlikte, teknolojinin ilerlemesiyle birlikte, Aşırı Gradyan Artırma (XGBoost) algoritması gibi bazı gelişmekte olan teknolojiler, KOAH1'in yönetimi için yeni olanaklar getirmiştir. XGBoost, spor hekimliği de dahil olmak üzere çeşitli sağlık izleme bağlamlarında uygulanabilirliğini göstermiş olsa da, bu çalışma özellikle evde rehabilitasyon ortamında KOAH'ı yönetmek için güçlü yönlerinden yararlanmaktadır. Odak noktası, klinik ve uzaktan izleme verilerini kullanarak KOAH hastaları için öngörücü doğruluğu ve kişiselleştirilmiş bakımı geliştirmeye devam etmektedir2. Örneğin, kalp atış hızı, solunum hızı vb. gibi fizyolojik göstergeleri toplayan bu kombinasyon, yalnızca KOAH hastalarının yönetimine yardımcı olmakla kalmaz, aynı zamanda sağlık yönetimine yeni bakış açıları ve yaklaşımlar da sunar3. XGBoost, verimli bir gradyan artırma (GB) karar ağacı algoritmasıdır. XGBoost, eğitimi daha hızlı hale getirmek ve büyük veritabanlarının ve karmaşık özelliklerin yönetimini gerçekleştirebilmek için paralel bilgi işlem ve önbelleğe alma tekniklerini kullanır. Ayrıca, mükemmel genelleme yeteneği ile çeşitli veri kümelerinin işlenmesinde iyi performans gösterir4. Uzun Kısa Süreli Bellek (LSTM), zaman serisi verilerini işlemek ve öğrenmek için yaygın olarak kullanılan özel bir RNN yapısıdır. LSTM zamana duyarlıdır ve zaman serisi verilerindeki kalıpları ve özellikleri tanımlama yeteneğine sahiptir, bu da onu sinyalleri işleme ve zaman serilerini tahmin etme gibi görevler için kullanışlı kılar. Hastalığın doğru tahminini ve kişiselleştirilmiş müdahalesini sağlamak için, klinik verilerin akıllı tanı ve tedavi modunu KOAH'ın evde rehabilitasyon yönetimine uygulamak için bir yöntem önerilmiştir. Araştırma, evde KOAH rehabilitasyonunun akıllı teşhis ve tedavi modunu optimize etmek için XGBoost ve LSTM'yi yenilikçi bir şekilde birleştiriyor. İkisinin kombinasyonu, doğru hastalık tahmini sağlayabilir ve KOAH evde rehabilitasyon yönetiminin zeka düzeyini artırmak için veriye dayalı kişiselleştirilmiş müdahale planları sağlayabilir.
Önerilen modelin kullanışlılığını garanti etmek için çeşitli parametreler ve kısıtlamalar dikkate alınmalıdır. Yöntem, güvenilir giyilebilir sensörlerden veya ev izleme cihazlarından periyodik olarak toplanan yapılandırılmış klinik verileri (örneğin, akciğer fonksiyon verileri ve kan oksijen verileri) ve uzaktan izleme verilerini (örneğin, kalp atış hızı, oksijen doygunluğu, aktivite seviyeleri) gerektirebilir. İstikrarlı eğitim için örneklem büyüklüğü en az 300 örnek olmalıdır ve optimum performans için 1000 veya daha fazla örnekleme sahip olmak tercih edilir. Ayrıca, özellikle LSTM eğitimi açısından, yeterli işlem gücü veya tahmin yeteneği için bulut tabanlı dağıtım çözümlerinin kullanılmasını gerektiren hesaplama ihtiyaçları da vardır.
KOAH, dışa akış kısıtlılığı, akut alevlenmeler ve yaşam kalitesinde bozulma (YK) ile karakterize, ilerleyici, geri dönüşümsüz bir solunum yolu hastalığıdır. Dünya genelinde sağlık, refah ve sağlık sistemlerindeki nüfusları önemli ölçüde etkiler; bu nedenle, KOAH'ın erken tahmini ve zamanında müdahalesi, patolojik hastalığın ilerlemesini ve hastaneye yatışları sınırlamanın ayrılmaz bir parçasıdır5. Makine öğrenimi (ML) tekniklerinin, gelişmiş veriye dayalı modelleme yaklaşımları yoluyla klinik olarak ilgili verilerle KOAH tanısını ve prognostik yolunu iyileştirdiği gösterilmiştir. XGBoost'un dengesiz veriler ve klinik değişkenler arasındaki doğrusal olmayan etkileşimler için en etkili ve başarılı makine öğrenimi modellerini oluşturduğu belirtilmiştir6. Elektronik burun verileriyle XGBoost ve Destek Vektör Makineleri (SVM) ile bildirilen mükemmel akciğer hastalığı sınıflandırma doğruluğu. Ayrıca, dengesiz klinik veriler kullanılarak KOAH riskini tahmin etmek için makine öğrenimi tabanlı öngörücü modeller oluşturuldu ve XGBoost'un öngörücü güvenilirliği artırmasını önerdi7. Ayrıca, XGBoost'un KOAH sınıflandırma görevlerinde diğer ML modelleri arasındaki güçlü performansı doğrulandı. Topluluk öğrenimi, KOAH'ın tanımlanması ve sınıflandırılması ve akciğer kanseri tespiti için, özellikle XGBoost'un solunum teşhis verilerindeki rolüne atıfta bulunarak, çoklu kendi kendine öğrenen ML modelleri kullanılarak da etkili bir şekilde kullanılmıştır8. Özetle, bu önceki araştırmalar, KOAH evde rehabilitasyonu ile yaşayan insanlar için akıllı bir teşhis ve tedavi modeli oluşturmak, tahmin doğruluğunu artırmak ve daha iyi kişiselleştirilmiş sağlık ve bakım sunumunu artırmak için transformatör LSTM yeteneklerini kullanan değiştirilmiş bir uygulamada XGBoost'un kullanılması için temel sağlar9.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Protokol
Bu çalışma Taizhou Kanser Hastanesi Etik Kurulu tarafından incelendi ve onaylandı. Veri toplamadan önce tüm katılımcılardan kurumsal ve ulusal etik standartlara uygun olarak yazılı bilgilendirilmiş onam alındı. Kullanılan reaktifler ve yazılım Malzeme Tablosunda listelenmiştir.
1. İş akışına genel bakış
XGBoost ile yapılandırılmış klinik verileri işlemek için uçtan uca iş akışı Şekil 1'de gösterilmektedir ve özellik alımı, ağaç oluşturma, artık güncellemeler, düzenleme ve değerlendirmeyi içerir. LSTM ile uzaktan izleme verileri için ön işleme ve sıra modelleme iş akışı, 2 dakikalık yeniden örnekleme, boşluk işleme, 10 günlük çakışmayan pencereleme, ağ mimarisi ve çıkarımı kapsayan Şekil 7'de gösterilmektedir.
2. Hasta alımı ve demografi
Mart 2023 ile Ocak 2024 arasında Taizhou Kanser Hastanesi'ndeki polikliniklerden ve yatan hasta servislerinden hastalar art arda alındı. Dahil edilme kriterleri, GOLD kriterlerine göre doğrulanmış bir KOAH tanısı (FEV1/FVC < p), kayıt sırasında stabil bir durum ve 40 ila 80 yaş arasıydı. Dışlama kriterleri arasında akciğer kanseri, kontrolsüz kardiyovasküler hastalık veya bilgilendirilmiş onamı engelleyen bilişsel bozukluk gibi ciddi komorbiditeler yer alıyordu. Toplam 214 hasta kaydedildi (ortalama yaş 63.7 ± 8.9 yıl; h erkek; T mevcut veya eski sigara içenler).
3. Veri toplama
Klinik yapılandırılmış veriler arasında akciğer fonksiyonu (FEV1, FVC), kan oksijen satürasyonu (SpO2), hastanede kalış süresi ve hastalık süresi yer alıyordu. Akciğer fonksiyonu ve SpO2
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Sonuçlar
Örnek boyutu kararlılığı ve optimum performans
Kararlılık eşiğini açıkça göstermek için önce Tablo 1'i, ardından Şekil 3 ve Şekil 4'te öğrenme eğrilerini sunuyoruz. Tablo 1, yapılandırılmış veriler üzerinde XGBoost sınıflandırıcısı ve çok değişkenli zaman serilerinde LSTM için artan eğitim boyutlarında doğruluk, AUC ve MSE'nin ortalama ± SD'sini bildirmektedir. Şekil 3't...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Tartışma
Temel bulguların özeti
KOAH, solunum bozukluğu, hareket kabiliyetinin azalması ve tekrarlayan akut alevlenmeler yoluyla önemli bir klinik ve toplumsal yük getirmektedir10. Açıklanabilir analitiklerle sürekli ev izlemeden yararlanmak, daha erken tespit ve hedefe yönelik müdahaleyi mümkün kılarak bu yükü azaltabilir. Bu çalışmada, yapılandırılmış klinik değişkenler için XGBoost'u ve çok değişkenli zaman serisi sinyalleri için LSTM'yi entegre eden...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Açıklamalar
Yazarların açıklayacak hiçbir şeyi yoktur.
Teşekkürler
Hiç kimse.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| CUDA | NVIDIA | 11.6 | GPU'larda hesaplamaları hızlandırmak için kullanılan paralel bir bilgi işlem platformu ve programlama modeli. |
| cuDNN | NVIDIA | 8.2 | Model eğitim performansını optimize etmek için derin sinir ağları için GPU hızlandırmalı bir kitaplık. |
| EKG Makinesi | Philips | Sayfa Yazıcısı TC70 | Giyilebilir cihazdan kalp atış hızı ölçümlerini doğrulamak için kullanılır. |
| GPU | NVIDIA | RTX 3080 Serisi | Büyük veri kümelerinde model eğitimini hızlandırmak için kullanılan yüksek performanslı GPU. |
| LSTM Modeli | - | - | Zaman serisi veri işleme için kullanılan Uzun Kısa Süreli Bellek sinir ağı. |
| Nabız Oksimetresi | Masimo Hakkında | Rad-97 | Kan oksijen doygunluğunu (SpO2) ölçmek ve giyilebilir cihazın doğruluğunu doğrulamak için kullanılır. |
| Piton | Python Yazılım Vakfı | 3.10.6 | Veri işleme, model eğitimi ve değerlendirme için kullanılan programlama dili. |
| TensorFlow | Google'da | 2.13 | LSTM modelini eğitmek ve sinir ağı hesaplamalarını gerçekleştirmek için kullanılan yazılım kitaplığı. |
| Giyilebilir Aktivite Takibi | Fitbit'in | Şarj 5 | Adımları ve fiziksel aktivite seviyelerini izlemek için kullanılır. |
| XGBoost | - | - | Gradyan artırma (makine öğrenimi) için kullanılan yazılım kitaplığı. |
Kaynaklar
- Stolz, D., et al. Towards the elimination of chronic obstructive pulmonary disease: A Lancet Commission. Lancet. 400 (10356), 921-972 (2022).
- Adeloye, D., et al. Global, regional, and national prevalence of, and risk factors for, chronic obstructive pulmonary disease (COPD) in 2019: A systematic review and modelling analysis. Lancet Respir Med. 10 (5), 447-458 (2022).
- Asselman, A., Khaldi, M., Aammou, S. Enhancing the prediction of student performance based on the machine learning XGBoost algorithm. Interact Learn Environ. 31 (6), 3360-3379 (2023).
- Deng, Y., Lumley, T. Multiple imputation through xgboost. J Comput Graph Stat. 33 (2), 352-363 (2024).
- Binson, V. A., Subramoniam, M., Sunny, Y., Mathew, L. Prediction of pulmonary diseases with electronic nose using SVM and XGBoost. IEEE Sens J. 21 (18), 20886-20895 (2021).
- Wang, X., et al. Machine learning-enabled risk prediction of chronic obstructive pulmonary disease with un-balanced data. Comput Methods Programs Biomed. 230, 107340(2023).
- Non-invasive diagnosis of COPD with E-nose using XGBoost algorithm. Binson, V. A., et al. Proc Int Conf Adv Comput Commun Embedded Secure Syst, , 297-301 (2021).
- Feng, Y., et al. Predicting chronic obstructive pulmonary disease (COPD) with optimized machine learning via leveraging comparative analysis of XGBoost and CatBoost. J Ambient Intell Humaniz Comput. 16 (4), 613-627 (2025).
- Binson, V. A., Subramoniam, M., Mathew, L. Detection of COPD and lung cancer with electronic nose using ensemble learning methods. Clin Chim Acta. 523, 231-238 (2021).
- Boers, E., et al. Forecasting the global economic and health burden of COPD from 2025 through 2050. Chest J. , (2025).
- Lones, M. A. Avoiding common machine learning pitfalls. Patterns (N Y). 5 (10), 101046(2024).
- Patharkar, A., Cai, F., Al-Hindawi, F., Wu, T. Predictive modeling of biomedical temporal data in healthcare applications: Review and future directions. Front Physiol. 15, 1386760(2024).
- Prater, R., Hanne, T., Dornberger, R. Generalized performance of LSTM in time-series forecasting. Appl Artif Intell. 38 (1), 2377510(2024).
- Lima Marinho, T., do Nascimento, D. C., Pimentel, B. A. Optimization on selecting XGBoost hyperparameters using meta-learning. Expert Syst. 41 (9), e13611(2024).
- Jang, Y. Feature-based ensemble modeling for addressing diabetes data imbalance using the SMOTE, RUS, and random forest methods: A prediction study. Ewha Med J. 48 (2), e32(2025).
- Tian, H., Yuan, H., Yan, K., Guo, J. A cosine adaptive particle swarm optimization based long-short term memory method for urban green area prediction. PeerJ Comput Sci. 10, e2048(2024).
- Johnston, H., Nair, N., Du, D. Estimating calibrated risks using focal loss and gradient-boosted trees for clinical risk prediction. Electronics (Basel). 14 (9), 1838(2025).
- Del Chicca, S., et al. Wearable and thermal drift-compensated monitoring system based on fiber bragg grating sensors for a 3D-printed foot prosthesis. Sensors (Basel). 25 (3), 885(2025).
- Wu, X., et al. Optimizing recurrent neural networks: A study on gradient normalization of weights for enhanced training efficiency. Appl Sci (Basel). 14 (15), 6578(2024).
- Agarwal, M., Anand, S., Patro, M., Gothi, D. Early versus non-early desaturation during 6MWT in COPD patients: A follow-up study. Lung India. 40 (3), 235-241 (2023).
- Thölke, P., et al. Class imbalance should not throw you off balance: Choosing the right classifiers and performance metrics for brain decoding with imbalanced data. Neuroimage. 277, 120253(2023).
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.