神经网络与逻辑回归在 30 天全因再入院预测中的对比
机器学习
2018-12-27 v1 定量方法
机器学习
摘要
心力衰竭（HF）是美国住院的主要原因之一。HF 住院后 30 天内的再入院既是疾病进展的公认指标，也是医疗系统巨大经济负担的来源。因此，识别有再入院风险的患者是改善疾病管理和患者结局的关键步骤。本工作中，我们使用一个大型行政理赔数据集来（1）探索基于神经网络的模型与逻辑回归在预测 HF 入院出院后 30 天全因再入院中的系统性应用，以及（2）考察患者住院时间线对预测性能的附加价值。基于 272,778 名（49% 女性）平均（SD）年龄 73 岁（14）的患者和 343,328 次 HF 入院（占总入院的 67%）的数据，我们遵循分层 5 折交叉验证方案训练和测试我们的预测再入院模型。在深度学习方法中，循环神经网络（RNN）结合条件随机场（CRF）的模型（RNNCRF）在再入院预测中取得最佳性能，AUC 为 0.642（95% CI，0.640-0.645）。其他模型，如基于 RNN、卷积神经网络和单独 CRF 的模型性能较低，非时间线基于的模型（MLP）表现最差。基于带 LASSO 的逻辑回归的竞争性模型取得了 0.643 AUC（95%CI，0.640-0.646）的性能。我们得出结论：来自患者时间线的数据改善了神经网络模型的 30 天再入院预测，带 LASSO 的逻辑回归与最佳神经网络模型性能相当，并且使用行政数据相较于基于更丰富临床数据集的已发表方法取得了竞争性性能。
引用
@article{arxiv.1812.09549,
title = {Neural networks versus Logistic regression for 30 days all-cause readmission prediction},
author = {Ahmed Allam and Mate Nagy and George Thoma and Michael Krauthammer},
journal= {arXiv preprint arXiv:1812.09549},
year = {2018}
}