Nachricht

Dec 04, 2023

Vergleich von Trainingsalgorithmen für künstliche neuronale Netze zur Vorhersage der Aufenthaltsdauer bei Krankenhauspatienten mit COVID

BMC-Infektionskrankheiten

BMC Infectious Diseases Band 22, Artikelnummer: 923 (2022) Diesen Artikel zitieren

1178 Zugriffe

1 Zitate

1 Altmetrisch

Details zu den Metriken

Die exponentielle Ausbreitung der Coronavirus-Krankheit 2019 (COVID-19) führt zu unerwarteten wirtschaftlichen Belastungen für die weltweiten Gesundheitssysteme und zu schwerwiegenden Engpässen bei den Krankenhausressourcen (Betten, Personal, Ausrüstung). Es ist eine große Herausforderung, die Aufenthaltsdauer der Patienten zu verwalten, um die klinische Versorgung und die Nutzung der Krankenhausressourcen zu optimieren. Die Prognose des zukünftigen Bedarfs erfordert eine zuverlässige Vorhersage der LOS der Patienten, was für die Ergreifung geeigneter Maßnahmen hilfreich sein kann. Daher besteht der Zweck dieser Forschung darin, Modelle zu entwickeln und zu validieren, die einen mehrschichtigen Perzeptron-künstlichen Neural-Network-Algorithmus (MLP-ANN) verwenden, der auf dem besten Trainingsalgorithmus zur Vorhersage der LOS des Krankenhauses von COVID-19-Patienten basiert.

Unter Verwendung eines Single-Center-Registers wurden die Aufzeichnungen von 1225 im Labor bestätigten COVID-19-Fällen im Krankenhaus vom 9. Februar 2020 bis zum 20. Dezember 2020 analysiert. In dieser Studie wurde zunächst die Korrelationskoeffiziententechnik entwickelt, um die signifikantesten Variablen als Eingabe der ANN-Modelle zu bestimmen. Bei der Modellkonstruktion wurden nur Variablen mit einem Korrelationskoeffizienten bei einem P-Wert < 0,2 verwendet. Anschließend wurden die Vorhersagemodelle auf der Grundlage von 12 Trainingsalgorithmen entsprechend vollständiger und ausgewählter Merkmalsdatensätze entwickelt (90 % des Trainings, wobei 10 % für die Modellvalidierung verwendet wurden). Anschließend wurde der mittlere quadratische Fehler (RMSE) verwendet, um die Leistung der Modelle zu bewerten und den besten ANN-Trainingsalgorithmus auszuwählen. Schließlich wurden insgesamt 343 Patienten für die externe Validierung der Modelle herangezogen.

Nach der Implementierung der Merkmalsauswahl wurden insgesamt 20 Variablen als Faktoren bestimmt, die zum LOS von COVID-19-Patienten beitragen, um die Modelle zu erstellen. Die durchgeführten Experimente zeigten, dass die beste Leistung einem neuronalen Netzwerk mit 20 und 10 Neuronen in der verborgenen Schicht des Bayesianischen Regularisierungs-Trainingsalgorithmus (BR) für ganze und ausgewählte Merkmale mit einem RMSE von 1,6213 bzw. 2,2332 zukommt.

MLP-ANN-basierte Modelle können die LOS bei Krankenhauspatienten mit COVID-19 anhand leicht verfügbarer Daten zum Zeitpunkt der Aufnahme zuverlässig vorhersagen. In dieser Hinsicht können die in unserer Studie entwickelten Modelle Gesundheitssystemen dabei helfen, begrenzte Krankenhausressourcen optimal zuzuordnen und fundierte, evidenzbasierte Entscheidungen zu treffen.

Peer-Review-Berichte

Bei der Coronavirus-Krankheit 2019 (COVID-19) handelt es sich um eine sehr ansteckende Virusinfektion, die sich bislang weltweit weiterhin rasant ausbreitet und zu einem ernsten globalen Gesundheitsproblem geworden ist. Der rasche Ausbruch von COVID-19 setzte Gesundheitsorganisationen einem Ressourcenmangel in Krankenhäusern und der Erschöpfung des Personals im Gesundheitswesen an vorderster Front aus [1,2,3,4,5,6]. Bisher zeigten die klinischen Manifestationen bei verschiedenen Patienten eine erhebliche Heterogenität und reichten von asymptomatischen oder leichten grippeähnlichen Symptomen bis hin zu schweren Atemwegserkrankungen und Lungenentzündung, Krankenhausaufenthalten auf der Intensivstation, Multiorganversagen (MOF) und schließlich zum Tod [7]. ]. Die hohen Übertragungsraten von COVID-19, das Aufkommen neuer Varianten und unbekannte klinische Muster setzen die Gesundheitssysteme enorm unter Druck. Infolgedessen steigt die Zahl der Patienten, die medizinische Hilfe in Anspruch nehmen, drastisch an und die Zahl der Krankenhauseinweisungen nimmt zu [8, 9]. Diese Überfüllung gibt Anlass zu ernsthafter Besorgnis hinsichtlich der möglichen Auswirkungen der Ausbreitung des Virus, insbesondere auf Gesundheitssysteme mit erheblichen Ressourcenengpässen in Ländern mit niedrigem und mittlerem Einkommen (LMICs) [10, 11]. Um die Gesundheitsversorgung während dieser Pandemiekrise erschwinglicher zu machen und eine Überlastung der Krankenhäuser zu verhindern, ist es von entscheidender Bedeutung, objektive und evidenzbasierte Interventionen für die effektive Nutzung der in Krankenhäusern verfügbaren medizinischen Einrichtungen (z. B. Krankenhausbetten und Beatmungsgeräte usw.) zu ergreifen. [12].

Da sich die Pandemie verschlimmert, ist es unerlässlich, die daraus resultierenden Bedürfnisse von Patienten und Leistungserbringern zu ermitteln. Es muss vorhergesehen werden, wie lange die stationäre Behandlung im Einzelfall dauern wird [13, 14]. Die Aufenthaltsdauer (LOS) ist ein wichtiges Maß für die Qualität der Gesundheitsdienste und die Ressourcennutzung und wird häufig zur Senkung der Gesundheitskosten eingesetzt, insbesondere angesichts der steigenden Gesundheitskosten [15, 16]. Aus der Sicht von Ärzten ist die Vorhersage von LOS während der COVID-19-Epidemie von entscheidender Bedeutung für die Verringerung des Risikos unerwünschter Ereignisse wie schlechter Ernährung, Ausbreitung in der Gemeinschaft, unerwünschter Arzneimittelwirkungen und anderer klinischer Probleme geworden. Darüber hinaus ist LOS aus Sicht des Krankenhausmanagements eine der grundlegenden Messgrößen zur Beurteilung der Leistung von Qualitätsdienstleistungen im Gesundheitswesen, der Pflegeplanung, der Personalausstattung im Krankenhaus, der Ressourcenzuweisung, der Unterstützung bei der Triage und der Terminplanung [17,18,19,20]. ]. Eine genaue Vorhersage der langen Aufenthaltsdauer von Patienten, die mit COVID-19 ins Krankenhaus eingeliefert werden, sowie die Bestimmung der Einflussfaktoren können zu einer optimalen Verwaltung und Nutzung begrenzter Krankenhausressourcen beitragen. Darüber hinaus können politische Entscheidungsträger und Kliniker durch die Vorhersage der LOS-Metriken ihre klinischen Wege neu gestalten und die Engpässe bei der Maximierung der Nutzung medizinischer Ressourcen erkennen [21,22,23]. Allerdings kann die LOS durch viele Faktoren beeinflusst werden und ihre Vorhersage kann schwierig sein, insbesondere bei komplexen, neuartigen und mehrdeutigen medizinischen Erkrankungen wie der aktuellen COVID-19-Krise [21, 22]. Während herkömmliche statistische Methoden zur Prognose der Krankenhaus-Lositätsdauer eingesetzt wurden, wird ihre Wirksamkeit durch die hochdimensionale, zensierte und heterogene Natur klinischer Daten eingeschränkt [24, 25]. Daher versuchen in dieser Situation überlastete Gesundheitssysteme, die Ressourcennutzung zu verbessern und Engpässe bei der Krankenhauseinweisung von Patienten zu beseitigen, indem sie datengesteuerte Lösungen für maschinelles Lernen (ML) einführen [26, 27].

ML ist der Teilbereich der künstlichen Intelligenz (KI), der auf die Analyse und Inferenz in einer großen Menge retrospektiver Datensätze angewendet werden kann, um mit minimalem menschlichen Eingriff oder Programmierdesign charakteristische Beziehungen zu extrahieren oder unbekannte Muster zu identifizieren [28, 29]. Darüber hinaus können ML-Techniken in der medizinischen Praxis eingesetzt werden, um die prognostische Modellierung zu verbessern und neue beitragende Faktoren im Zusammenhang mit einem bestimmten Zielergebnis aufzudecken, um zukünftige oder unklare Trends vorherzusagen [28, 30]. Die in dieser Studie ausgewählte ML-Technik ist das künstliche neuronale Netzwerk (ANN), das die Aufgaben biologischer menschlicher Neuronen nachahmt, basierend auf einer Sammlung verbundener Knoten (Input-Hidden-Output), sogenannten künstlichen Neuronen [31, 32]. KNN können durch einen iterativen Lernprozess darauf trainiert werden, komplexe Krankheitsmuster und damit verbundene Gesundheitsereignisse zu erkennen und zu kategorisieren. Um das ANN zu konfigurieren, muss es mithilfe von Trainingsmustern trainiert werden, indem ihre Gewichte durch einige Trainingsalgorithmen geändert werden. Das Training von KNNs kann durch mehrere vorgeschlagene Algorithmen durchgeführt werden [4, 8]. Verschiedene Trainingsalgorithmen wurden in vielen Bereichen evaluiert und ihre Vor- und Nachteile untersucht [33,34,35,36].

Bisher konzentrierten sich die meisten Bemühungen auf die Anwendung von ANN zur Vorhersage der LOS im Krankenhaus und die Bestimmung ihrer Einflussfaktoren [21, 37, 38, 39, 40, 41]. Neto et al. versuchten, die LOS für Schlaganfallpatienten vorherzusagen, und berichteten, dass das ANN mit einem RMSE und einem mittleren absoluten Fehler (MAE) von 5,9451 bzw. 4,6354 die besten Ergebnisse erzielte [41]. Launay et al. verglichen zwei Feed-Forward-ANNs, darunter Multilayer Perceptron (MLP) und modifiziertes MLP, zur Vorhersage verlängerter LOS. Es wurde berichtet, dass modifiziertes MLP mit einer Sensitivität von 62,7 %, einer Spezifität von 96,6 % und einer Fläche unter dem Empfänger die beste Leistung aufwies Betriebskennlinie (AUROC) von 90,5 % [42]. Morton et al. kamen zu dem Schluss, dass die erfolgreichsten Ergebnisse durch die Verwendung der ANN-Technik mit einem RMSE von 5,9451 und einem MAE von 4,6354 zur Vorhersage der LOS von hospitalisierten Diabetikern erzielt werden [40]. Kulkarin et al. entwarfen ein MLP-basiertes Modell zur Vorhersage einer verlängerten LOS von Koronarpatienten mit einer Genauigkeit von 90,87 % [39]. In ähnlicher Weise wurde in einer anderen Arbeit von Bacchi et al. zeigten, dass das MLP mit einem MAE von 0,246, einem RMSE von 0,369 und einem AUC von 0,864 die höchste Genauigkeit bei der Vorhersage von LOS erreichte [43]. Kabir und Hijjry entwickelten in ihren getrennten Studien ein Vorhersagemodell zur Vorhersage von LOS und die Ergebnisse zeigten, dass das Backpropagation-Neuronale Netzwerk mit Genauigkeiten von 92,58 % bzw. 78,29 % alle anderen Modelle in diesen Studien übertraf [37, 38]. East et al. berichteten, dass das mit ANN entwickelte Modell die beste Leistung bei der Vorhersage langer LOS (AUC von 0,9760 %) erbrachte [44]. Es wurden jedoch keine Studien zu COVID-19 durchgeführt, um den effektivsten ANN-Trainingsalgorithmus und die effektivste KNN-Trainingsstruktur zu bestimmen. Ziel dieser Studie war die retrospektive Entwicklung und Validierung von ANN-basierten Modellen zur Vorhersage der LOS bei Krankenhauspatienten mit COVID-19 anhand routinemäßiger klinischer Daten, die zum Zeitpunkt der Aufnahme verfügbar waren. Zu diesem Zweck haben wir 12 ANN-Trainingsalgorithmen erstellt und getestet, um den besten Algorithmus für die Erstellung eines Vorhersagemodells auszuwählen.

Hierbei handelt es sich um eine retrospektive, monozentrische Querschnittsstudie, die im Jahr 2021 durchgeführt wurde, um die LOS bei Krankenhauspatienten mit COVID-19 durch den Vergleich von ANN-Trainingsalgorithmen vorherzusagen. In dieser Studie wurde eine krankenhausbasierte COVID-19-Registerdatenbank des Ayatollah Taleghani Hospital retrospektiv analysiert, um die ANN-basierten Modelle zu entwickeln. Ayatollah Taleghani ist ein großes akademisches Krankenhaus in der iranischen Stadt Abadan, das eine vielfältige Patientengruppe behandelt.

Der Analysedatensatz umfasst nur Patienten mit einem positiven Echtzeit-Reverse-Transkriptase-PCR (RT-PCR)-Test von Rachenabstrichen auf das schwere akute respiratorische Syndrom Coronavirus 2 (SARS-CoV-2) und Krankenhauseinweisungen zwischen dem 9. Januar 2020 und Januar 20, 2021. In diesem Zeitraum wurden insgesamt 12.885 Fälle mit Verdacht auf COVID-19 an die ambulanten und Notaufnahmen (EDs) des Ayatollah Taleghani Krankenhauses überwiesen. Davon wurde bei 3350 Fällen durch PCR-Tests bestätigt, dass sie an COVID-19 erkrankt waren. Patienten, die aus der Notaufnahme entlassen wurden, wurden ausgeschlossen, da ihre Ergebnisse unbekannt waren. Bei Patienten mit mehreren Krankenhausaufenthalten im Zusammenhang mit COVID-19 innerhalb des Studienzeitraums wurde nur der erste Besuch berücksichtigt. Patienten unter 18 Jahren wurden ebenfalls ausgeschlossen (n = 36). Diese Patienten sollten in die pädiatrische Untersuchung einbezogen werden. Darüber hinaus wurden Patienten, die innerhalb von drei Tagen nach der Aufnahme ins Krankenhaus verstarben, von der Analyse ausgeschlossen (n = 128). Da Beamte des öffentlichen Gesundheitswesens wie die Centers for Disease Control and Prevention (CDC), das European Centre for Disease Prevention and Control (ECDD) und das National Center for Infectious Disease (NCID) angeben, dass die Symptome, insbesondere Fieber und Atemwegsbeschwerden, innerhalb von drei Tagen verschwinden , ist der Grenzwert für eine sichere Entlassung, der LOS-Grenzwert von drei Tagen wurde berücksichtigt [45].

Um die Auswirkungen fehlender Daten auf die Vorhersageleistung der Modelle zu überwinden, wurden alle Datensätze mit fehlenden Daten (mehr als 70 %) von der Analyse ausgeschlossen (n = 228). Darüber hinaus wurden die verbleibenden fehlenden Werte mit dem Mittelwert oder Modus jeder Variablen imputiert. Verrauschte und abnormale Werte, Fehler, Duplikate und bedeutungslose Daten wurden von Forschern in Zusammenarbeit mit zwei Spezialisten für Infektionskrankheiten bewertet. Für unterschiedliche Interpretationen der Datenvorverarbeitung haben wir die entsprechenden Ärzte kontaktiert. Nach Anwendung der Einschluss-/Ausschlusskriterien wurden 1225 Datensätze in die Studie aufgenommen (Abb. 1). Während der gesamten Studie wurde ein Signifikanzniveau von p < 0,02 verwendet.

Flussdiagramm zur Beschreibung der Patientenauswahl

In der Datenbank wurden für jeden Patienten insgesamt 53 Variablen erfasst, darunter Demografie (fünf Variablen), klinische Manifestationen (14 Variablen), Komorbiditäten/Risikofaktoren (sieben Variablen), Laborergebnisse (26 Variablen) und Behandlungsintervention (eine). Variable) (Tabelle 1).

Die Krankenhaus-LOS gilt als Ergebnisvariable. Diese Messung der Dauer ist eine kontinuierliche Variable, die anhand der Anzahl der Tage von der Aufnahme des Patienten ins Krankenhaus bis zu seiner Entlassung, Überweisung an ein anderes Krankenhaus oder seinem Tod während des Krankenhausaufenthalts berechnet wird.

Die Merkmalsauswahl oder Variablenauswahl ist eine effektive Technik, die verwendet wird, um die aussagekräftigsten Variablen zu bestimmen, die Dimensionen des Datensatzes zu reduzieren und die Effizienz von ML-Algorithmen zu verbessern [46]. In dieser Studie wurden Variablen mit einem Korrelationskoeffizientenwert von weniger als 0,2 (P-Wert < 0,2) als wirksame Risikofaktoren bei der Vorhersage der LOS von COVID-19-Patienten identifiziert und in die ANN-Modelle einbezogen.

Ein KNN ist eine Reihe von Rechenalgorithmen, die die Funktionen biologischer neuronaler Netze nachahmen. Die Komponenten der Modelle sind Knoten, Gewichte und Schichten (Eingabe-, verborgene und Ausgabeschichten) (41). MLP-ANN ist aufgrund seiner strukturellen Flexibilität, guten Darstellungsfähigkeiten und einer großen Anzahl von Trainingsalgorithmen die einfachste und am häufigsten verwendete ANN-Architektur [47, 48]. In dieser Studie verwendeten wir zur Entwicklung eines MLP-ANN 12 Trainingsalgorithmen, darunter Levenberg-Marquardt (LM), Bayesianische Regularisierung (BR), Broyden-Fletcher-Goldfarb-Shanno (BFGS), Quasi-Newton und resiliente Backpropagation ( RP), skalierter konjugierter Gradient (SGC), konjugierter Gradient mit Powell/Beale (CGB)-Neustarts, konjugierter Gradient Fletcher-Powell (CGF), konjugierter Gradient mit Polak-Ribiére (CGP)-Updates, One Step Secant (OSS), Gradientenabstieg Variable Lernrate (GDX), Gradient Descent with Impuls (GDM) und Gradient Descent (GD) Backpropagation, beschrieben in Tabelle 2. Darüber hinaus ist die Auswahl der optimalen Anzahl von Neuronen in der verborgenen Schicht aufgrund ihrer Auswirkung ein wichtiges und schwieriges Thema die Leistung und Effizienz von ANNs. Daher wird die optimale Anzahl von Neuronen in der verborgenen Schicht bestimmt, indem ANNs mit einer unterschiedlichen Anzahl von Neuronen in der verborgenen Schicht konstruiert werden. In dieser Studie wurde versucht, die Grundparameter der Algorithmen als gleich zu betrachten, damit die Auswirkung der Wahl des Lernalgorithmus auf die Leistung des Netzwerks gründlich untersucht werden konnte. Alle Simulationen wurden unter Verwendung des vollständigen Datensatzes, einschließlich 53 Features, und eines abgeleiteten Datensatzes mit 20 Features nach der Feature-Auswahl implementiert.

Die Leistung jedes Modells wurde basierend auf dem RMSE zur Vorhersage von LOS mithilfe einer zehnfachen Kreuzvalidierungsmethode bewertet. Diese Methode trainiert und bewertet ML-Algorithmen, indem sie den Datensatz in eine Trainingspartition zum Trainieren der Modelle und eine Testpartition zur Validierung der Leistung der Modelle unterteilt [49, 50]. Um in unserer Studie eine mögliche Verzerrung in der Präsentationsreihenfolge der Stichprobenmuster im ANN zu vermeiden, wurde der Datensatz zufällig in 90 % für das Training und 10 % für Tests aufgeteilt.

Nachdem wir den besten Trainingsalgorithmus für neuronale Netze und die optimale Anzahl von Neuronen in der verborgenen Schicht für die LOS-Vorhersage identifiziert hatten, führten wir eine dreimonatige prospektive Studie im Ayatollah Taleghani Hospital durch, um eine externe Validierung durchzuführen. Das beste Modell wurde angewendet, um die LOS aller Krankenhauspatienten vorherzusagen, bei denen durch PCR-Tests eine COVID-19-Infektion bestätigt wurde und die vom 1. Februar 2021 bis zum 30. April 2021 in dieses Krankenhaus eingeliefert wurden (343 Patienten). Der Vergleich zwischen der Ausgabe des ausgewählten neuronalen Netzwerks und den realen Daten als Benchmark wurde durch Berechnung des RMSE durchgeführt.

Diese Studie wurde vom Ethikausschuss der Abadan University of Medical Sciences genehmigt (Code: IR.ABADANUMS.REC.1399.222). Um die Privatsphäre und Vertraulichkeit der Patienten zu schützen, haben wir die eindeutigen Identifikationsinformationen aller Patienten während des Prozesses der Datenerfassung und -präsentation verborgen.

In dieser Studie wurde eine retrospektive Analyse der Krankenakten von 1225 COVID-19-positiven Patienten durchgeführt, die zwischen dem 9. Januar 2020 und dem 20. Januar 2021 im Ayatollah Taleghani Hospital untersucht wurden, und es stellte sich heraus, dass 664 (54,20 %) Patienten männlich waren und 561 (45,80 %) waren weiblich. Das Gesamtdurchschnittsalter betrug 57,25 (Interquartil 18–100) Jahre. Insgesamt wurden 170 (13,87 %) Patienten auf der Intensivstation und 1055 (86,13 %) auf der Allgemeinstation stationär behandelt. Beschreibende Statistiken für die 1225 Datensätze in diesem Datensatz sind in Tabelle 3 aufgeführt.

Die Ergebnisse der Merkmalsauswahl zur Bestimmung der wichtigsten diagnostischen Kriterien, die sich auf die LOS von COVID-19-Krankenhäusern auswirken, basierend auf dem Korrelationskoeffizienten bei P < 0,2, sind in Tabelle 4 dargestellt.

Nach der Merkmalsauswahl erreichten insgesamt 20 Merkmale den ermittelten Korrelationskoeffizienten bei P <0,2. Merkmale wie Alter, Kreatinin, Anzahl der weißen Blutkörperchen (WBC), Anzahl der Lymphozyten/Neutrophilen, Blutharnstoffstickstoff (BUN), Aspartataminotransferase (ASP), Alaninaminotransferase (ALT), Laktatdehydrogenase (LDH), aktivierte partielle Thromboplastinzeit (PTT). ), Husten, Bluthochdruck, Herz-Kreislauf-Erkrankungen (CVD), Diabetes, Dyspnoe, Sauerstofftherapie, Lungenentzündung, gastrointestinale (GI) Komplikationen, Erythrozytensedimentationsrate (BSG) und C-reaktives Protein (CRP) wurden als die wichtigsten Faktoren identifiziert Vorhersage der LOS des Krankenhauses.

Um das beste Vorhersagemodell zu ermitteln, wurden verschiedene MLP-Netzwerke mit mehreren Konfigurationen trainiert und ihre Leistung mithilfe einer zehnfachen Kreuzvalidierung bewertet. In den Tabellen 5 und 6 sind die RMSE-Rate jedes Netzwerks mit unterschiedlichen Trainingsalgorithmen und die Anzahl der Neuronen in den verborgenen Schichten für beide Datensätze aufgeführt.

Gemäß den Tabellen 5 und 6 wurden unter Verwendung von insgesamt 53 Risikofaktoren die besten Ergebnisse mit dem neuronalen Netzwerk mit 20 Neuronen in der verborgenen Schicht und dem BR-Trainingsalgorithmus erzielt. Der RMSE dieser Technik betrug 1,6213, was die niedrigste Fehlerrate unter den entworfenen Netzwerken darstellte. Die Ergebnisse zeigten auch, dass basierend auf den ausgewählten Merkmalen (n = 20) das neuronale Netzwerk mit dem BR-Trainingsalgorithmus und 10 versteckten Neuronen das beste Ergebnis erzielte (RMSE = 2,2332). Die Fehlerhistogramme für diese beiden Modelle sind in Abb. 2 dargestellt.

Fehlerhistogramm für das beste Modell

Laut Abb. 2 ist zwar die Fehlerrate im Datensatz mit ausgewählten Merkmalen höher, die Fehlerverteilung ist jedoch besser und weist bei kleinen Stichproben auf einen Fehler hin, der größer als der CDC-Schwellenwert ist (d. h. drei Tage). Die Netzwerkarchitektur für den BR-Trainingsalgorithmus basierend auf dem gesamten Datensatz ist in Abb. 3 dargestellt.

Die Architektur des BR-Trainingsalgorithmus mit 20 Neuronen, die für die LOS-Vorhersage von COVID-19 verwendet werden

Für die externe Bewertung wurde das beste LOS-Vorhersagemodell für die prospektive Studie verwendet und die LOS von Patienten mit einem RMSE von 2,8529 vorhergesagt. Abbildung 4 vergleicht die tatsächlichen und vorhergesagten Werte von LOS für die externen Validierungsfälle unter Verwendung des MLP mit BR als Trainingsfunktion und 20 Neuronen in der verborgenen Schicht.

Vergleich zwischen der Ausgabe des besten neuronalen Netzwerks und den tatsächlichen Daten für die externe Validierungsstichprobe

Das Fehlerhistogramm der externen Validierung (Abb. 5) zeigte, dass das vorgeschlagene Modell eine gute Fähigkeit zur Vorhersage der LOS von hospitalisierten COVID-19-Patienten aufweist und bei kleinen Stichproben einen Fehler von mehr als zwei Tagen anzeigt.

Fehlerhistogramm des LOS-Vorhersagemodells für die externe Validierungsstichprobe

In dieser Studie haben wir mehrere MLP-Trainingsalgorithmen für neuronale Netze entwickelt und evaluiert, um die LOS von COVID-19-Patienten anhand vollständiger und ausgewählter Merkmalsdatensätze (53 bzw. 20 Merkmale) vorherzusagen. Die experimentellen Ergebnisse zeigten, dass BR im Vergleich zu den anderen Techniken bei der LOS-Vorhersage für COVID-19-Patienten mit einem RSME von 1,6213 (Schicht 20) und 2,2332 (Schicht 10) für den gesamten bzw. ausgewählten Merkmalsdatensatz die beste Leistung aufwies. In der vorliegenden Studie wurden die wichtigsten Variablen (n = 20 Prädiktoren) durch einen Korrelationskoeffizienten auf der Ebene eines P-Werts < 0,2 identifiziert. Zu diesen Variablen gehören Alter, Kreatinin, WBC, Lymphozyten-/Neutrophilenzahl, BUN, ASP, ALT, LDH, aktivierte PTT, Husten, Bluthochdruck, Herz-Kreislauf-Erkrankungen, Diabetes, Dyspnoe, Sauerstofftherapie, Lungenentzündung, gastrointestinale Komplikationen, ESR und CRP.

Die Bestimmung des besten Netzwerk-Trainingsalgorithmus hängt von vielen Faktoren ab, darunter der Komplexität der Probleme, der Datenmenge im Trainingssatz, der Anzahl der Gewichtungen und Bias im Netzwerk, dem Fehlerziel und ob das Netzwerk zur Mustererkennung verwendet wird oder Funktionsnäherung [51, 52]. In unserer Studie zeigte der LM-Trainingsalgorithmus auch eine zufriedenstellende Leistung bei der Schätzung der Funktionen. Wenn LM mit niedrigen Zahlengewichten trainiert wird, konvergiert es schneller und weist eine viel geringere Fehlerrate auf als andere Trainingsalgorithmen. Wenn es jedoch mit einem hohen Zahlengewicht trainiert wird, nimmt seine Effizienz ab [53, 54]. Konjugierte, auf Gradienten basierende Trainingsalgorithmen (SCG, CGB, CGF und CGP), die mit LM identisch sind, weisen eine gute Leistung bei der Schätzung der Funktionen und der Erkennung von Mustern auf. Darüber hinaus würde sich ihre Effizienz bei einer Erhöhung der Gewichtszahl nicht wesentlich verringern [55, 56]. In der vorliegenden Studie zeigten Algorithmen auf Basis von LM sowie SCG, CGB, CGF und CGP eine zufriedenstellende Leistung. Der RP-Algorithmus zeigte im Vergleich zu anderen Trainingsalgorithmen eine unerwünschte Leistung bei der Funktionsnäherung, da er eine bessere Fähigkeit zur Mustererkennung aufwies [57, 58]. Das BFGS Quasi-Newton benötigt nicht so viel Speicher wie LM, aber die erforderlichen Berechnungen nehmen geometrisch mit der Größe des ANN zu, da die inverse Matrix für jede Iteration berechnet werden muss. Der GDX hatte eine langsame Konvergenz und die anderen beiden Gradientenabstiegsalgorithmen (GDM und GD), wie in dieser Studie gezeigt, schneiden bei der Funktionsnäherung nicht gut ab [59, 60]. Der BR-Trainingsalgorithmus aktualisiert Netzwerkgewichte und Bias mithilfe der LM-Optimierungsmethode. Es minimiert die Kombination aus Quadratfehler und Gewichten und sucht nach der richtigen Kombination, die zu einem Netzwerk mit hoher Generalisierbarkeit führt [61, 62]. Da BR nach einem Netzwerk mit hoher Generalisierbarkeit sucht, wurden in unserer Studie mit diesem Trainingsalgorithmus die besten Ergebnisse erzielt.

In ähnlicher Weise haben Conde-Gutie´rrez et al. verwendeten in ihrer Studie die ANN-Methode, um die kumulative Zahl der Todesfälle durch COVID-19 in Mexiko zu modellieren und vorherzusagen. Sie verwendeten LM-, BFGS- und Batch-GD-Trainingsalgorithmen, um Koeffizienten (Gewichte und Verzerrungen) anzupassen. Der Vergleich zwischen den realen Daten und denen, die das ANN-Modell unter Verwendung der Trainingsalgorithmen erhält, zeigt zufriedenstellende Korrelationen mit RMSEs von 0,2290, 0,2165 bzw. 0,7722. Basierend auf der Rechenzeit ist der LM-Algorithmus am besten für die Modellierung der Dynamik von Todesfällen durch COVID-19 geeignet. Der LM-Algorithmus schätzte die Koeffizienten in der kürzesten wahrscheinlichen Zeit (46,23 s), während der BFGS-Quasi-Newton-Algorithmus bessere Präzisionsanpassungen für die realen Daten zeigte. Der Batch-GD-Algorithmus hatte die geringste Kapazität zur Modellierung der realen Daten und benötigte mehr Neuronen in der verborgenen Schicht [63]. Namasudra et al. stellte ein nichtlineares autoregressives (NAR) neuronales Netzwerk-Zeitreihenmodell (NAR-NNTS) zur Vorhersage von COVID-19-Fällen vor. Dieses NAR-NNTS-Modell wird mit SCG-, LM- und BR-Trainingsalgorithmen trainiert. Die Ergebnisse zeigten, dass das mit LM trainierte NAR-NNTS-Modell eine bessere Leistung als andere Modelle für die Vorhersage epidemiologischer Daten zu COVID-19 erbringt [64]. Sapon et al. nutzte die Daten von 250 Diabetikern, um das Netzwerk zu trainieren, das Krankheitsmuster zu erkennen. Sie verwendeten drei Trainingsalgorithmen, darunter BR, BFGS und LM. Der BR-Algorithmus zeigte im Vergleich zu den BFGS-Quasi-Newton- und LM-Algorithmen die beste Leistung bei der Vorhersage von Diabetes. Der BFGS-Quasi-Newton-Algorithmus besaß 0,86714 Korrelationskoeffizienten mit 578 Epochen, während der BR-Algorithmus 0,99579 für 37 Epochen erreichte und LM 0,6051 für nur fünf Epochen hielt. Daher zeigte der BR-Algorithmus ihrer Studie zufolge eine gute Korrelation zwischen den geschätzten Zielen und den tatsächlichen Ergebnissen (d. h. 0,99579) mit einer Vorhersagegenauigkeit von 88,8 % und bestätigte damit die Validierung, die die Korrektheit dieses Algorithmus für eine effektive Diabetesvorhersage zeigt [65] . Narayan et al. verglichen drei Trainingsalgorithmen, darunter LM, RP und GDM, um das Netzwerk zu trainieren, um die klinische Gangmechanik abzuschätzen. Die Ergebnisse der Korrelationskoeffizienten zeigten das erhebliche Potenzial des LM-Modells gegenüber RP- und GDM-Modellen bei der Schätzung der Gangmechanik [66]. Mithilfe der Daten von 303 Proben zur Vorhersage von Herzerkrankungen haben Karim et al. verglich verschiedene Trainingsalgorithmen, darunter GD, GDM, RP, SCG, CGP, CGF, BFGS Quasi-Newton und LM. Ihren Erkenntnissen zufolge ist der BFGS-Quasi-Newton-Trainingsalgorithmus aufgrund seiner optimalen Geschwindigkeit und Genauigkeit am besten für die Entwicklung eines ANN-Vorhersagemodells für Herzerkrankungen geeignet [67].

Viele Studien haben gezeigt, dass bestimmte Merkmale mit der LOS im Krankenhaus verbunden sind [8, 13, 14, 18, 19, 68, 69]. Zu den wichtigsten klinischen Variablen, die sich in überprüften Studien auf längere LOS auswirken, gehören das Alter (höheres Alter) [13, 18, 19, 69], Komorbiditäten [8, 14, 68, 69] (CVD, Bluthochdruck, Diabetes und Atemwegserkrankungen wie Asthma). oder chronisch obstruktive Lungenerkrankung (COPD)), Bewusstlosigkeit [8, 14, 69], erhöhter Harnstoff [8, 14, 18, 19], Leukozytose [8, 68], verminderte Sauerstoffsättigung (SPO2) [13, 18 , 19, 68], mechanische Beatmung (Sauerstofftherapie) [8, 14, 69], Pleuraerguss [13, 19, 68], trockener Husten [13, 69] und Fieber [8, 18, 19, 69]. Im Allgemeinen wurde bei den Ergebnissen der Klassifizierung und Priorisierung von Variablen in überprüften Studien eine hohe Compliance beobachtet, wobei in der aktuellen Studie die häufigsten Variablen ausgewählt wurden. Die Ergebnisse unserer Studie zeigten, dass das entworfene ANN-Modell die LOS von COVID-19-Patienten mithilfe klinischer Variablen, die zum ersten Zeitpunkt der Aufnahme leicht verfügbar sind, effektiv vorhersagen kann.

Trotz der Stärke der vorgestellten Algorithmen, der Neuheit des Ansatzes und der vielversprechenden Vorhersageergebnisse wies die Studie einige Einschränkungen auf, die anerkannt werden sollten. Zunächst haben wir uns mit einem retrospektiven Datensatz befasst, der unter ungleichmäßigen oder unausgeglichenen, verrauschten, doppelten und bedeutungslosen Werten leiden könnte, was zu verzerrten Ergebnissen führen kann. Daher wurde der Datensatz ausgeglichen, indem Störfaktoren so weit wie möglich eliminiert wurden. Zweitens wurde diese Studie in einem einzigen regionalen Zentrum durchgeführt und basierte nur auf 1225 Aufzeichnungen; Daher sind die Ergebnisse möglicherweise nicht verallgemeinerbar und können die Anwendbarkeit des Modells auf andere Kontexte einschränken. Obwohl wir den ANN-Algorithmus nur für Vorhersageanalysen verwendet haben, können andere Algorithmen möglicherweise eine bessere Leistung erbringen. Da die Analysen auf einer bestimmten Kohorte von COVID-19 (Alpha-Variante) vor der Entwicklung von Impfstoffen basierten, schränkt dies die Anwendbarkeit für die moderne Verwendung ein, insbesondere im Hinblick auf Delta- und Omicron-Varianten, und eine geimpfte Bevölkerung könnte begrenzt sein. Schließlich ist das in unserer Studie entwickelte Modell auf Funktionen beschränkt, die zum Zeitpunkt der Erstaufnahme allgemein verfügbar waren. Obwohl dies im Einklang mit dem Ziel unserer Studie steht, die LOS von COVID-19 auf der Grundlage der Aufnahmedaten vorherzusagen, können die während des Krankenhausaufenthalts generierten Merkmale, wie etwa radiologische, bildgebende und therapeutische Interventionsmerkmale, die Ergebnisse der Modelle verbessern. Die Leistung unseres Rechenmodells kann in Zukunft verbessert werden, wenn wir mehr ML-Techniken an prospektiven, multizentrischen und qualitativen Datensätzen untersuchen.

Die Vorhersage der LOS ermöglicht es Krankenhäusern, die Gesamtbelastung der Patienten einzuschätzen, was wiederum eine verbesserte Planung der Patientenaufnahmen ermöglicht, was zu einer geringeren Schwankung der Bettenbelegung in Krankenhäusern führt. Die Schätzung der Aufenthaltsdauer von Krankenhauspatienten mit COVID-19 ist für die effektive Planung des Bettenmanagements und der damit verbundenen Personal- und Ausstattungsanforderungen von entscheidender Bedeutung. Die Ergebnisse zeigten, dass MLP mit dem BR-Trainingsalgorithmus eine bessere Leistung aufweist als die anderen Modelle. Mit der weiteren Validierung dürften unsere Modelle als objektive, messbare und evidenzbasierte Instrumente zur Vorhersage der COVID-19-LOS und zur Optimierung der Nutzung begrenzter Krankenhausressourcen dienen. Während unsere Modelle mit einem Datensatz aus einem Krankenhaus trainiert werden, können sie mit einem multizentralen Datensatz aus verschiedenen geografischen Standorten neu trainiert werden, was die Generalisierbarkeit der Modelle zur Vorhersage der LOS von COVID-19-Patienten verbessern würde. Für zukünftige Studien wird vorgeschlagen, die ANN-Modelle mit multizentralen Datensätzen zu trainieren. Dies würde dazu beitragen, die Lernfähigkeit der Modelle zu verbessern, da der trainierte Datensatz vielfältiger wird und somit eine bessere Vorhersageleistung für die Modelle bereitgestellt wird.

Alle während der aktuellen Studie generierten und analysierten Daten sind nicht öffentlich verfügbar, können jedoch auf begründete Anfrage und mit Genehmigung des Student Research Committee der Abadan University of Medical Sciences beim entsprechenden Autor angefordert werden.

Liu Y, Wang Z, Ren J, Tian Y, Zhou M, Zhou T, Ye K, Zhao Y, Qiu Y, Li J. Ein Entscheidungsunterstützungssystem zur Risikobewertung von COVID-19 für Allgemeinmediziner: Design- und Entwicklungsstudie. J Med Internet Res. 2020;22(6): e19786.

Artikel Google Scholar

Alom MZ, Rahman M, Nasrin MS, Taha TM, Asari VK: COVID_MTNet: COVID-19-Erkennung mit Multi-Task-Deep-Learning-Ansätzen. arXiv-Vorabdruck arXiv:200403747 2020.

Bansal A, Padappayil RP, Garg C, Singal A, Gupta M, Klein A. Nutzen künstlicher Intelligenz inmitten der COVID-19-Pandemie: ein Rückblick. J Med Syst. 2020. https://doi.org/10.1007/s10916-020-01617-3.

Artikel Google Scholar

Lai CC, Shih TP, Ko WC, Tang HJ, Hsueh PR. Schweres akutes respiratorisches Syndrom Coronavirus 2 (SARS-CoV-2) und Coronavirus-Krankheit 2019 (COVID-19): die Epidemie und die Herausforderungen. Int J Antimikrobielle Mittel. 2020;55(3): 105924.

Artikel CAS Google Scholar

Hussain A, Bhowmik B, et al. COVID-19 und Diabetes: Wissen im Gange. Diabetes-Res-Klinik-Praxis. 2020. https://doi.org/10.1016/j.diabres.2020.108142.

Artikel Google Scholar

Moujaess E, Kourie HR, Ghosn M. Krebspatienten und Forschung während der COVID-19-Pandemie: Eine systematische Überprüfung der aktuellen Evidenz. Crit Rev Oncol Hämatol. 2020;150: 102972.

Artikel Google Scholar

Yadaw AS, Li YC, Bose S, Iyengar R, Bunyavanich S, Pandey G. Klinische Merkmale der COVID-19-Mortalität: Entwicklung und Validierung eines klinischen Vorhersagemodells. Lancet Digital Health. 2020;2(10):e516–25.

Artikel Google Scholar

Hong Y, Wu X, Qu J, Gao Y, Chen H, Zhang Z. Klinische Merkmale der Coronavirus-Krankheit 2019 und Entwicklung eines Vorhersagemodells für längere Krankenhausaufenthaltsdauer. Ann Transl Med. 2020. https://doi.org/10.21037/atm.2020.03.147.

Artikel Google Scholar

Chiam T, Subedi K, Chen D, Best E, Bianco FB, Dobler G, Papas M. Krankenhausaufenthaltsdauer bei COVID-19-positiven Patienten. J Clin Transl Res. 2021;7(3):3

CAS Google Scholar

Rees EM, Nightingale ES, Jafari Y, Waterlow NR, Clifford S, et al. Dauer des Krankenhausaufenthalts bei COVID-19: eine systematische Überprüfung und Datensynthese. BMC Med. 2020;18(1):1–22.

Artikel Google Scholar

Lucero A, Sokol K, Hyun J, Pan L, Labha J, Donn E, Kahwaji C, Miller G. Verschlechterung der Aufenthaltsdauer in der Notaufnahme während der COVID-19-Pandemie. J Am Coll Emerg Physicians Open. 2021;2(3): e12489.

Google Scholar

Daghistani TA, Elshawi R, Sakr S, Ahmed AM, Al-Thwayee A, Al-Mallah MH. Prädiktoren für die Krankenhausaufenthaltsdauer bei Herzpatienten: ein Ansatz des maschinellen Lernens. Int J Cardiol. 2019;288:140–7.

Artikel Google Scholar

Jang SY, Seon JY, Yoon SJ, Park SY, Lee SH, Oh IH. Komorbiditäten und Faktoren, die die medizinischen Kosten und die Aufenthaltsdauer für aufgenommene COVID-19-Patienten in Korea bestimmen. Risikomanagement-Gesundheitsrichtlinie. 2021. https://doi.org/10.2147/RMHP.S292538.

Artikel Google Scholar

Thiruvengadam G, Lakshmi M, Ramanujam R. Eine Studie über Faktoren, die die Dauer des Krankenhausaufenthalts von COVID-19-Patienten beeinflussen, anhand eines Cox-Proportional-Hazard-Modells in einem südindischen Krankenhaus der Tertiärversorgung. J Prim Care Community Health. 2021;12:21501327211000230.

Artikel Google Scholar

Saravi B, Zink A, Ülkümen S, Couillard-Despres S, Hassel F, Lang G. Leistung von auf künstlicher Intelligenz basierenden Algorithmen zur Vorhersage einer längeren Verweildauer nach einer Lumbaldekompressionsoperation. J Clin Med. 2022;11(14):4050.

Artikel Google Scholar

Tsai PFJ, Chen PC, Chen YY, Song HY, Lin HM, Lin FM, Huang QP. Vorhersage der Krankenhausaufenthaltsdauer in der Aufnahmephase für kardiologische Patienten mithilfe eines künstlichen neuronalen Netzwerks. J Healthc Eng. 2016. https://doi.org/10.1155/2016/7035463.

Artikel Google Scholar

Lapidus N, Zhou Ann Intensivpflege. 2020;10(1):135.

Artikel Google Scholar

Alwafi H, Naser AY, Qanash S, Brinji AS, Ghazawi MA, Alotaibi B, Alghamdi A, Alrhmani A, Fatehaldin R, Alelyani A. Prädiktoren für die Dauer des Krankenhausaufenthalts, die Mortalität und die Ergebnisse bei hospitalisierten Covid-19-Patienten in Saudi-Arabien : eine Querschnittsstudie. J Multidiscip Healthc. 2021;14:839.

Artikel Google Scholar

Wu S, Xue L, Legido-Quigley H, Khan M, Wu H, Peng X, Li Schutzkrankenhaus. Plus eins. 2020;15(10): e0240959.

Artikel CAS Google Scholar

Wen Y, Rahman MF, Zhuang Y, Pokojovy M, Mach Learn Appl. 2022;9: 100365.

Google Scholar

Dan T, Li Y, Zhu Z, Chen : Auf dem Weg zu einer optimalen Zuweisung von Ressourcen auf der Intensivstation. In: 2020 IEEE International Conference on Bioinformatics and Biomedicine (BIBM): 2020: IEEE; 2020: 555–561.

Wu C, Glass S, Demars S, Tulloch-Palomino LG, Wander PL. Geschätzte übermäßige Verweildauer in der Akutversorgung und zusätzliche Kosten für testbasierte im Vergleich zu symptombasierten Isolationsstrategien bei Veteranen, die mit der Coronavirus-Krankheit 019 (COVID-19) ins Krankenhaus eingeliefert wurden und in eine Gemeinschaftseinrichtung entlassen werden. Infect Control Hosp Epidemiol. 2020. https://doi.org/10.1017/ice.2020.1295.

Artikel Google Scholar

Ayyoubzadeh SM, Ghazisaeedi M, Kalhori SRN, Hassaniazad M, Baniasadi T, Maghooli K, Kahnouji K. Eine Studie über Faktoren im Zusammenhang mit der Aufenthaltsdauer von Patienten mithilfe von Data-Mining-Techniken in einem Allgemeinkrankenhaus im Süden Irans. Health Inform Sci Syst. 2020;8(1):1–11.

Google Scholar

Bacchi S, Tan Y, Oakden-Rayner L, Jannes J, Kleinig T, Koblar S. Maschinelles Lernen bei der Vorhersage der Aufenthaltsdauer medizinischer stationärer Patienten. Internal Med J. 2020. https://doi.org/10.1111/imj.14962.

Artikel Google Scholar

Sherbet GV, Woo WL, Dlay S. Anwendung künstlicher Intelligenz-basierter Technologie in der Krebsbehandlung: ein Kommentar zum Einsatz künstlicher neuronaler Netze. Anti-Krebs-Res. 2018;38(12):6607–13.

Artikel Google Scholar

Symum H, Zayas-Castro JL. Vorhersage chronisch krankheitsbedingter längerer stationärer Verweildauern mithilfe maschineller Lernalgorithmen. Healthc Inform Res. 2020;26(1):20–33.

Artikel Google Scholar

Roimi M, Gutman R, Somer J, Ben Arie A, Calman I, Bar-Lavie Y, Gelbshtein U, Liverant-Taub S, Ziv A, Eytan D, Gorfine M. Entwicklung und Validierung eines maschinellen Lernmodells zur Vorhersage des Krankheitsverlaufs und Krankenhausauslastung von COVID-19-Patienten: eine landesweite Studie. J Am Med Inform Assoc. 2021;28(6):1188–96.

Artikel Google Scholar

Shanbehzadeh M, Nopour R, Kazemi-Arpanahi H. Vergleich von vier Data-Mining-Algorithmen zur Vorhersage des Darmkrebsrisikos. J Adv Med Biomed Res. 2021;29(133):100–8.

Artikel Google Scholar

Nassif AB, Azzeh M, Banitaan S, Neagu D. Gastredaktion: Sonderausgabe zu Predictive Analytics mit maschinellem Lernen. Neural Comput Appl. 2016;27(8):2153–5.

Artikel Google Scholar

Hernandez-Suarez DF, Ranka S, Kim Y, Latib A, Wiley J, Lopez-Candales A, Pinto DS, Gonzalez MC, Ramakrishna H, Sanina C. Auf maschinellem Lernen basierende Vorhersage der Mortalität im Krankenhaus für die Transkatheter-Mitralklappenreparatur in Die Vereinigten Staaten. Kardiovaskuläres revaskuläres Med. 2020. https://doi.org/10.1016/j.carrev.2020.06.017.

Artikel Google Scholar

Streun GL, Elmiger MP, Dobay A, Ebert L, Kraemer T. Ein maschineller Lernansatz für den Umgang mit großen Datenmengen, die durch hochauflösende Massenspektrometrie nach datenunabhängiger Erfassung kleiner Moleküle erzeugt werden – Proof-of-Concept-Studie unter Verwendung eines künstlichen neuronalen Netzwerks zur Probenklassifizierung. Drogentest Anal. 2020;12(6):836–45.

Artikel CAS Google Scholar

Yang H, Zhang Z, Zhang J, Zeng XC. Maschinelles Lernen und künstliche neuronale Netzwerkvorhersage des thermischen Grenzflächenwiderstands zwischen Graphen und hexagonalem Bornitrid. Nanoskalig. 2018;10(40):19092–9.

Artikel CAS Google Scholar

Sharma B, Venugopalan K. Vergleich der Trainingsfunktionen neuronaler Netzwerke zur Hämatomklassifizierung in Gehirn-CT-Bildern. IOSR J Comp Eng. 2014;16(1):31–5.

Artikel Google Scholar

Bowen WR, Jones MG, Yousef HN. Dynamische Ultrafiltration von Proteinen – ein neuronaler Netzwerkansatz. J Mitglied Sci. 1998;146(2):225–35.

Artikel CAS Google Scholar

Zhou L, Yang X. Trainingsalgorithmusleistung für die Bildklassifizierung durch neuronale Netze. Photogramm Eng Remote Sens. 2010;76(8):945–51.

Artikel Google Scholar

Aggarwal K, Singh Y, Chandra P, Puri M. Bewertung verschiedener Trainingsalgorithmen in einem neuronalen Netzwerkmodell für Software-Engineering-Anwendungen. ACM SIGSOFT Softw Eng Notes. 2005;30(4):1–4.

Artikel Google Scholar

Hijry H, Olawoyin R: Anwendung maschineller Lernalgorithmen zur Vorhersage der Aufenthaltsdauer von Patienten in der Notaufnahme während des Haddsch. In: 2020 IEEE International Conference on Prognostics and Health Management (ICPHM): 2020: IEEE; 2020: 1–8.

Kabir S, Farrokhvar L: Nichtlineare Merkmalsauswahl zur Vorhersage der Krankenhausaufenthaltsdauer. In: 2019 18. IEEE International Conference on Machine Learning And Applications (ICMLA): 2019: IEEE; 2019: 945–950.

Kulkarni H, Thangam M, Amin AP. Auf einem künstlichen neuronalen Netzwerk basierende Vorhersage der verlängerten Verweildauer und der Notwendigkeit einer Nachsorge bei Patienten mit akutem Koronarsyndrom, die sich einer perkutanen Koronarintervention unterziehen. Eur J Clin Invest. 2021;51(3): e13406.

Artikel CAS Google Scholar

Morton A, Marzban E, Giannoulis G, Patel A, Aparasu R, Kakadiaris IA: Ein Vergleich überwachter maschineller Lerntechniken zur Vorhersage der kurzfristigen Krankenhausaufenthaltsdauer bei Diabetikern. In: 2014 13. Internationale Konferenz über maschinelles Lernen und Anwendungen: 2014: IEEE; 2014: 428–431.

Neto C, Brito M, Peixoto H, Lopes V, Abelha A, Machado J: Vorhersage der Aufenthaltsdauer von Schlaganfallpatienten mithilfe künstlicher neuronaler Netze. In: Weltkonferenz für Informationssysteme und -technologien: 2020: Springer; 2020: 212–221.

Launay C, Rivière H, Kabeshova A, Beauchet O. Vorhersage einer längeren Krankenhausaufenthaltsdauer bei älteren Benutzern der Notaufnahme: Verwendung einer neuartigen Analysemethode, des künstlichen neuronalen Netzwerks. Eur J Intern Med. 2015;26(7):478–82.

Artikel CAS Google Scholar

Bacchi S, Gluck S, Tan Y, Chim I, Cheng J, Gilbert T, Menon DK, Jannes J, Kleinig T, Koblar S. Vorhersage der Aufenthaltsdauer bei der allgemeinen medizinischen Aufnahme mit natürlicher Sprachverarbeitung und tiefem Lernen: eine Pilotstudie. Praktikant Emerg Med. 2020;15(6):989–95.

Artikel Google Scholar

East A, Ray S, Pope R, Cortina-Borja M, Sebire NJ: 45 Vorhersage einer langen Aufenthaltsdauer auf einer pädiatrischen Intensivstation mithilfe von maschinellem Lernen. In.: BMJ Publishing Group Ltd; 2020.

El Halabi M, Feghali J, Bahk J, de Lara PT, Narasimhan B, Ho K, Sehmbhi M, Saabiye J, Huang J, Osorio G, Mathew J. Ein neuartiges evidenzbasiertes Vorhersagetool für Krankenhausaufenthalte und Aufenthaltsdauer: Erkenntnisse von COVID-19-Patienten in New York City. Praktikant Emerg Med. 2022;17(7):1879–89. https://doi.org/10.1007/s11739-022-03014-9.

Artikel Google Scholar

Karegowda AG, Manjunath A, Jayaram M. Vergleichende Studie zur Attributauswahl unter Verwendung des Verstärkungsverhältnisses und der korrelationsbasierten Merkmalsauswahl. Int J Inform Technol Knowl Manag. 2010;2(2):271–7.

Google Scholar

Fazlollahi P, Afarineshkhaki A, Nikbakhsh R. Vorhersage der Medaillen der an den Olympischen Spielen 2020 in Tokio teilnehmenden Länder mithilfe des Tests von Multilayer-Perceptron-Netzwerken (MLP). Ann Appl Sportwissenschaft. 2020;8(4):1–12.

Google Scholar

Theerthagiri P, Gopala Krishnan C, Nishan AH. Prognostische Analyse der Hyponatriämie bei erkrankten Patienten mithilfe der mehrschichtigen Perzeptron-Klassifizierungstechnik. EAI unterstützt transpervasive Gesundheitstechnologie. 2021. https://doi.org/10.4108/eai.17-3-2021.169032.

Artikel Google Scholar

Abujaber A, Fadlalla A, Nashwan A, El-Menyar A, Al-Thani H. Vorhersage einer längeren Aufenthaltsdauer bei Patienten mit traumatischer Hirnverletzung: ein Ansatz des maschinellen Lernens. Intellektbasierte Medizin. 2022;6: 100052.

Artikel Google Scholar

Das A, Ben-Menachem T, Cooper GS, Chak A, Sivak MV Jr, Gonet JA, Wong RC. Vorhersage des Ergebnisses bei akuten Blutungen im unteren Gastrointestinaltrakt auf der Grundlage eines künstlichen neuronalen Netzwerks: interne und externe Validierung eines Vorhersagemodells. Lanzette. 2003;362(9392):1261–6.

Artikel Google Scholar

Nouir Z, Sayrac B, Fourestié B, Tabbara W, Brouaye F: Vergleich von Lernalgorithmen für neuronale Netze zur Vorhersageverbesserung eines Planungstools. In: 13. Europäische Drahtlose Konferenz, Paris, Frankreich: 2007; 2007

Mohebbi A, Taheri M, Soltani A. Ein neuronales Netzwerk zur Vorhersage der gesättigten Flüssigkeitsdichte mithilfe eines genetischen Algorithmus für reine und gemischte Kältemittel. Int J Refrig. 2008;31(8):1317–27.

Artikel CAS Google Scholar

Amellas Y, Djebli A, Echchelh A. Levenberg-Marquardt-Trainingsfunktion unter Verwendung des neuronalen Netzwerks MLP, RNN und Elman zur Optimierung der stündlichen Vorhersage in der Stadt Tetouan (Nordmarokko). J Eng Sci Technol Rev. 2020;13(1):67–71.

Artikel Google Scholar

Miaoli M, Xiaolong W, Honggui H: Beschleunigter Levenberg-Marquardt-Algorithmus für neuronale Netzwerke mit radialer Basisfunktion. In: Tagungsband – 2020 Chinese Automation Congress, CAC 2020: 2020; 2020: 6804–6809.

ColaÇo MJ, Orlando HRB. Vergleich verschiedener Versionen der konjugierten Gradientenmethode zur Funktionsschätzung. Anzahl Wärmeübertragungs-Appl. 1999;36(2):229–49.

Artikel Google Scholar

Jeong SB, Lee SJ, Park GJ. Verbesserung der Konvergenzfähigkeit eines Single-Loop-Single-Vector-Ansatzes unter Verwendung eines konjugierten Gradienten für eine konkave Funktion. Trans Korean Soc Mech Eng A. 2012;36(7):805–11.

Artikel Google Scholar

Dutta M, Chatterjee A, Rakshit A: Ein robustes, auf einem neuronalen Backpropagation-Netzwerk basierendes Phasenkorrektursystem für automatische digitale Wechselstrombrücken. In: CPEM Digest (Konferenz über präzise elektromagnetische Messungen): 2004; 2004: 374–375.

Wang X, Wang H, Dai G, Tang Z: Eine zuverlässige, belastbare Backpropagation-Methode mit Gradientenaufstieg. In: Vorlesungsunterlagen zur Informatik (einschließlich der Unterreihen Vorlesungsunterlagen zur Künstlichen Intelligenz und Vorlesungsunterlagen zur Bioinformatik). Bd. 4114 LNAI - II; 2006: 236–244.

Sotirov S, Atanassov K, Krawczak M: Verallgemeinertes Netzmodell zur parallelen Optimierung von vorwärtsgerichteten neuronalen Netzwerken mit Backpropagation-Algorithmus mit variabler Lernrate und zeitlicher Begrenzung. In: Studien zur Computational Intelligence. Bd. 299; 2010: 361–371.

Yu F, Hu Z: Variabler gewichteter Lernalgorithmus und seine Konvergenzrate. In: 5. Internationale Konferenz für natürliche Berechnung, ICNC 2009: 2009; 2009: 373–377.

Khan I, Raja MAZ, Shoaib M, Kumam P, Alrabaiah H, Shah Z, Islam S. Entwurf eines neuronalen Netzwerks mit Levenberg-Marquardt- und Bayes'scher Regularisierungs-Backpropagation zur Lösung von Stromabnehmerverzögerungsdifferentialgleichungen. IEEE-Zugriff. 2020;8:137918–33.

Artikel Google Scholar

Priya A, Garg S: Ein Vergleich der Vorhersagefähigkeiten der Bayes'schen Regularisierung und Levenberg-Marquardt-Trainingsalgorithmen für Kryptowährungen. In: Intelligente Innovation, Systeme und Technologien. Bd. 159; 2020: 657–664.

Conde-Gutiérrez R, Colorado D, Hernández-Bautista S. Vergleich eines künstlichen neuronalen Netzwerks und eines Gompertz-Modells zur Vorhersage der Dynamik von Todesfällen durch COVID-19 in Mexiko. Nichtlineare Dyn. 2021;104(4):4655–69.

Artikel Google Scholar

Namasudra S, Dhamodharavadhani S, Rathipriya R. Nichtlineares, auf einem neuronalen Netzwerk basierendes Prognosemodell zur Vorhersage von COVID-19-Fällen. Neuronaler Prozess Lett. 2021. https://doi.org/10.1007/s11063-021-10495-w.

Artikel Google Scholar

Sapon MA, Ismail K, Zainudin S: Vorhersage von Diabetes mithilfe eines künstlichen neuronalen Netzwerks. In: Proceedings of the 2011 International Conference on Circuits, System and Simulation, Singapur: 2011; 2011: 299303.

Narayan J, Jhunjhunwala S, Mishra S, Dwivedy SK: Eine vergleichende Leistungsanalyse von Backpropagation-Trainingsoptimierern zur Schätzung der klinischen Gangmechanik. In: Prädiktive Modellierung in der biomedizinischen Datengewinnung und -analyse. Sonst; 2022: 83–104.

Karim H, Niakan SR, Safdari R. Vergleich von Trainingsalgorithmen für neuronale Netze zur Klassifizierung von Herzerkrankungen. IAES Int J Artif Intell. 2018;7(4):185–9. https://doi.org/10.11591/ijai.v7.i4.pp185-189

Artikel Google Scholar

Çetin Ş, Ulgen A, Şivgin H, Wentian L. Eine Studie über Faktoren, die die Dauer des Krankenhausaufenthalts von stationären COVID-19-Patienten beeinflussen. J Komplement Med. 2021;11:396–404.

Google Scholar

Guo A, Lu J, Tan H, Kuang Z, Luo Y, Yang T, Xu J, Yu J, Wen C, Shen A. Risikofaktoren bei der Aufnahme im Zusammenhang mit der Krankenhausaufenthaltsdauer bei Patienten mit COVID-19: eine retrospektive Kohorte Studie. Sci Rep. 2021;11(1):1–7.

Google Scholar

Referenzen herunterladen

Wir danken dem Forschungsbeauftragten der Abadan University of Medical Sciences für die finanzielle Unterstützung dieses Projekts.

Für dieses Forschungsprojekt gab es keine Förderung.

Abteilung für medizinische Informatik, Abteilung für fortgeschrittene Technologien, School of Medicine, North Khorasan University of Medical Science (NKUMS), North Khorasan, Iran

Azam Orooji

Abteilung für Gesundheitsinformationsmanagement, Abteilung für Gesundheitsinformationstechnologie, School of Paramedical, Ilam University of Medical Sciences, Ilam, Iran

Mostafa Shanbehzadeh

Abteilung für Gesundheitsinformationsmanagement, Iranische Universität für Medizinische Wissenschaften, Teheran, Iran

Esmat Mirbagheri

Abteilung für Gesundheitsinformationsmanagement, Abteilung für Gesundheitsinformationstechnologie, Abadan University of Medical Sciences, Abadan, Iran

Hadi Kazemi-Arpanahi

Abteilung für Gesundheitsinformationsmanagement, Studentisches Forschungskomitee, Abadan University of Medical Sciences, Abadan, Iran

Hadi Kazemi-Arpanahi

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

HK-A, MS: Konzeptualisierung; Datenkuration; Formale Analyse; Untersuchung; Software; Rollen/Schreiben – Originalentwurf. AO, EM, HK-A: Konzeptualisierung; Formale Analyse; Untersuchung; Software; Rollen/Schreiben – Originalentwurf; Akquise von Fördermitteln; Methodik; Projektverwaltung; Ressourcen; Aufsicht; Schreiben – Überprüfen und Bearbeiten. AO, MS, HK-A: Konzeptualisierung; Untersuchung; Methodik; Validierung; Schreiben – Überprüfen und Bearbeiten. Alle Autoren haben das endgültige Manuskript gelesen und genehmigt.

Korrespondenz mit Hadi Kazemi-Arpanahi.

Dieser Artikel stammt aus einem Forschungsprojekt, das von der Abadan University of Medical Sciences unterstützt wird. Von allen Probanden, die an der Datenerfassung gemäß dem genehmigten Protokoll beteiligt waren, wurde eine Einverständniserklärung eingeholt. Die Sekundärdatenanalyse dieser Daten wurde von der Ethikkommission und dem Institutional Review Board der Abadan University of Medical Sciences (IR.ABADANUMS.REC.1399.222) genehmigt.

Unzutreffend.

Die Autoren erklären, dass sie keine konkurrierenden Interessen haben.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/. Der Creative Commons Public Domain Dedication-Verzicht (http://creativecommons.org/publicdomain/zero/1.0/) gilt für die in diesem Artikel zur Verfügung gestellten Daten, sofern in einer Quellenangabe für die Daten nichts anderes angegeben ist.

Nachdrucke und Genehmigungen

Orooji, A., Shanbehzadeh, M., Mirbagheri, E. et al. Vergleich von Trainingsalgorithmen für künstliche neuronale Netze zur Vorhersage der Aufenthaltsdauer bei Krankenhauspatienten mit COVID-19. BMC Infect Dis 22, 923 (2022). https://doi.org/10.1186/s12879-022-07921-2

Zitat herunterladen

Eingegangen: 27. Oktober 2021

Angenommen: 06. Dezember 2022

Veröffentlicht: 09. Dezember 2022

DOI: https://doi.org/10.1186/s12879-022-07921-2

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt