שימוש בעץי החלטות כדי לייעל את משאבי הבריאות

מערכות בריאות ברחבי העולם נמצאות תחת לחץ גובר לספק טיפול איכותי תוך המכילות עלויות.הקצאת משאבים מוגבלים - מורדים, ventilators, זמן צוות, תרופות - יכול לעשות את ההבדל בין החיים למוות, במיוחד במהלך משברים כגון מגפות או אסונות טבע. עצי החלטות, שיטת למידה שקוף ופרשנית, להציע מסגרת קפדנית עבור קבלת החלטות אלה גבוה.

הבנת עץ ההחלטות במעמקים

עץ החלטות הוא אלגוריתם למידה בפיקוח המחלק נתונים לתוך תת-קרקעיות בהתבסס על הערך של תכונות קלט.המבנה מורכב מצומת שורש (נקודת ההחלטה הראשונה), צמתים פנימיים (שאלות על תכונות), סניפים (עשרות), ועלות על צמתים (outcomes או סיווגים) כל דרך משורש לעל מייצגת כלל החלטה.

מה שמקבל עצי החלטה במיוחד בנוגע לבריאות הוא הפירוש שלהם.בניגוד לרשת עצבית שטיעוניה הם ⁇ , עץ החלטות יכול להיות מדמיין כרופא זרקורן.א. יכול פשוטו כמשמעו לראות מדוע המודל ממליץ על פעולה מסוימת: "אם הציון השלישי של המטופל הוא 4 או גבוה יותר:0andFLT:1 המטופל הוא מעל 65, אז להודות ICU בונה אמון זה, אשר מאפשר הגדרות קליניות קריטיות.

אלגורית'מים פופולריים: CART, ID3 ו- C4.5

(ב) קיימים אלגוריתמים רבים לבניית עצי החלטה (FLT:0CivARTFLT) 1:1 (העברה והתחדשות עץ) משתמשים באימפולסי הגס או בשגיאה מרובעת כדי להחליט פיצולים.FLT:2ID3reaphFLT 3: 3 (העברה) או שימוש בנתונים על בסיס אנציקלופדיה.

יישומים מעשיים ב-Aconation

עצי ההחלטות אינם צעצועים תיאורטיים – הם מוצבים בבתי חולים ובמשרדי בריאות בעולם האמיתי כדי לפתור בעיות הקצאה דחופות.

אימון חירום וניהול Bed

במהלך אירוע מקרי מוות המוני, מחלקות חירום חייבות למיין מטופלים במהירות.עץ החלטה יכול לשלב סימנים חיוניים, ציוני חומרת פציעה, ומשאבים זמינים כדי להמליץ על רמת הטריג (אדום, צהוב, ירוק, שחור) או אפילו יעד אופטימלי (ICU, יחידת ירידה במשקל, ward, או פריקה) לדוגמה, עץ עשוי להיות מאומן על נתונים היסטוריים: אם שיעור הנשימה של המטופל עולה על 30 והם מעל גיל 65, סבירות של תאים אלה, ל 78%.

צוות שולכות ותיקון

מחסור באחיות מדגיש בתי חולים רבים.עץ החלטה יכול לחזות נפח המטופל עבור כל שינוי בהתבסס על דפוסים היסטוריים, עונתיות ואירועים מקומיים (למשל, מרתון מגביר פציעות אורתופדיות) העץ מפיץ מספר מומלץ של אחיות, מבוטח על ידי רמת מיומנות (RN, LVN, Aide). תזמון המונע נתונים זה מקטין מתחת לעלויות גבוהות יותר ויותר.

שרשרת אספקה וניהול מלאי

ניהול ציוד רפואי - מסיכות כירורגיות ליחידות דם - החלפה בין מלאי פסולת עצי החלטות יכול לצפות לדרוש פריטים ספציפיים המבוססים על ניתוחים, שיעורי זיהום ושימוש בעבר.לדוגמה, עץ עשוי ללמוד שאם שיעור החיובי שפעת עולה על 15% ובית החולים הוא באקלים קר, הביקוש למזהמים חמצן.

ניהול מחלות כרוניות וטיפול מונע

משאבים כמו ביקורים בבריאות ביתית, חריצים טלאיים ותוכניות דבקות תרופות הם סופיים.עצים החלטות יכולים לחדד את אוכלוסיית החולה על ידי סיכון של אשפוז בבית החולים. חולים בסיכון גבוה עם סוכרת והיסטוריה של מינויים מפספסים עשוי להיות מוקצה טיפול, לשחרר מומחים להתמקד במקרים דחופים.ההההההההה ממוקדת זו משפרת את התוצאות תוך שליטה על עלויות.

בניית עץ החלטות יעיל: מדריך צעד-בי-צעד

בניית עץ החלטה עבור בריאות דורשת תכנון קפדני.למטה הוא תהליך שצוות ניתוח בית החולים עשוי לעקוב אחריו.

1.הגדירו את בעיית ההחלטות באופן משמעותי

מטרות Vague לייצר מודלים חסרי תועלת במקום "שיפור הקצאת משאבים", ציין: "הטיפול שבו חולי ICU ידרוש שהייה ממושכת (>7 ימים) כך שנוכל לתכנן שחרור מוקדם או להעביר ליחידות מתקדמות".

2. Gather High-Quality Historical Data

נתוני בריאות הם מבולגנים - הם חיים ב- EHRs, מערכות חיוב וגליונות להפיץ מורשת. עבור עץ הקצאת משאבים, אתה צריך נתונים מובנה: דמוגרפים חולים, קודים, אבחון, הליכים, תוצאות מעבדה, דגימות של קבלה / חיוב, ו יומני צוות.ערכים חסרים יש לטפל בזהירות (למשל, מוטציות או הפרדה "לא ידוע" ענפי פרטיות (AAIP), הדורשים אישורים אישורים או אישורים מתאימים).

3.הנדסה לרלוונטיות קלינית

התכונות (המכונים) אתה מאכיל לתוך העץ קובעות את שימושיותו.

(ב) ⁇ :0) אינדיקטורים קדמוניים: (1) סימנים חיוניים, ערכי מעבדה, תחלואה, ציוני חומרה (למשל, SOFA, APACHE).
(ב) ,0) מידע תפעולי: יום שבוע, שינוי, שיעור דיקור מיטה בהודאה, יחס של אחות-לחולים.
[ה]ההיסטוריה הפטרונית: [ה]: [ה]] [ה]], [ה], [ה], [ה], [ה], [ה], [ה], [התקבלות], אורך של שהייה, דגלי קריאה.
(ב) ,0) זמינות מקורות: FLT:1 ספירת הממציא הנוכחית, מלאי בנק הדם, צוות החובה.

מומחיות דומיין היא חיונית כאן.עץ שנבנה ללא רופאים מעורבים עשוי לפצל על משתנים משמעותיים סטטיסטית אך קלינית לא רלוונטי (למשל, זמן קבלה עשוי להתאים לשינוי הרופא, לא חדות המטופל).

4.לרכב את המודל ובחר את ה-Split קריטריה

עם התחלה נקייה, אתה בוחר אלגוריתם.שימוש ב- CART, העץ יבדוק כל פיצול אפשרי על כל תכונה ובחירת אחד אשר הטוב ביותר מפריד את משתנה היעד. עבור סיווג (למשל, להודות ICU או לא), אימפולס Gini הוא סטנדרטי; עבור רגרסציה (למשל, חיזוי אורך של שהייה), כלומר, יצירת שגיאה מרובעת גדל עד למצב של הפסקת הריון הוא 20 מעלות צלזיוס, או רמה מינימלית (למשל).

5.התכוננו להימנע מעודף

עץ לא מוקרן יכול להפריז ברעש, המוביל להכללה גרועה על נתונים חדשים של מטופלים.הריצה מסירת סניפים המציעים כוח חיזוי קטן. עלות-מורכבות מנטרפת את גודל העץ נגד טעות האימונים שלה.התוצאה היא עץ פשוט יותר, חזק יותר קל עבור רופאים לפרש ופחות סביר לעשות המלצות פרועות.

6.הופנה מהדף באופן קשוח

לחלק את הנתונים ההיסטוריים שלך לאימון (70%), אימות (15%) ומבחן (15%) קובע.מערכת אימות מסייע להנגיש היפרפרפרמטרים (גובה מעמיק, מינימום עלה) מערך הבדיקה נותן הערכה בלתי מזוהמת של ביצועים. מדדים נפוצים לעצי הקצאת משאבים כוללים דיוק, דיוק, זיכרון, F1score, ואזור תחת עקומת ROC (AUC) לשימוש חוזר, פירוש הדברה או ביצוע פעולות חמורות (כגון מעקב נדיר).

היתרונות של עץ ההחלטות עבור מנהלי בריאות

מעבר לדיוק, עצי ההחלטות מציעים יתרונות ספציפיים בהקשר הקצאת המשאבים.

(ב) ⁇ (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
(ב) [ה]השעה: [ה]: [ה], עץ החלטות יכול לסווג מטופל חדש במיקרו-שניות – אידיאלי עבור חתלתול בזמן אמת או הקצאת מיטה.
(FLT:0) אין צורך בסקאלה כוללת: FLT:1 בניגוד לתוקפנות לוגיסטית או רשתות עצביות, עצי ההחלטות מטפלים בנתונים מעורבים (גיל שנים, מין כקטגורי) ללא נורמליזציה.
(ב) ,0) יחסי לא לינאריים: עץ 1 לוכד באופן טבעי אינטראקציות - לדוגמה, גיל חשוב רק אם החולה יש תחלואה מסוימת.
(FLT:0) אי הוודאות הזמנית: 1FLT:1 יישום רבים של תפוקת ההסתברות המעמדית (למשל, 85% סיכוי של ICU צורך) מנהלים יכולים לשלב זאת עם ניתוח עלות ראוי לבצע שיחות סופיות.

אתגרים ואסטרטגיות מייגציה

אין שיטה מושלמת לעצי החלטות יש מגבלות ידועות שיש לטפל בהן בסביבה רפואית.

חוסר יכולת ועוצמה גבוהה

שינויים קטנים בנתונים האימונים יכולים לייצר עצים שונים מאוד.החומרים כוללים שיטות של הרכב כמו: יערות גשם (FLT:1 או FLT:2 ⁇ -boosted עצים פיתויים 3), אשר בממוצע עצים רבים כדי להפחית את השחלות.עם זאת, הפרשנות הפרט אבד - יער אקראי הוא "קופסא שחורה".

Bas בנתונים היסטוריים

עצי ההחלטות לומדים מהעבר.אם החלטות ההקצאה ההיסטורית היו מוטות (למשל, תת-התמדה שיטתית של מטופלים מיעוט), העץ ינציח את ההטיה. Mitigation דורש ביקורת על נתוני האימון להגינות, באמצעות דגימה מאוזנת, או התאמה של החלטות עלות עם מגבלות הון.

איכות נתונים וזמינות

ערכים חסרים, קידוד עקבי, וגודלי מדגם קטנים הם נפוצים.עצים החלטות יכולים להתמודד עם ערכים חסרים על ידי שימוש בפיצולים חלופיים (גישה של CART), אך הפחתה או הרחקה של מקורות נתונים לא אמינים עדיין עשויים להיות נחוצים.

שינוי בריאות Dynamics

עץ המאומנים בעונת שפעת נורמלית עלול להיכשל במהלך סחף מגיפה.פי.פי. – שבו היחסים בין תכונות ותוצאות משתנים – נדרשים מחדש או למידה מקוונת.צוותי ניתוח בבית החולים צריכים באופן קבוע לתקן את המודלים שלהם ולעקוב אחר מדדי ביצועים בייצור. לדוגמה, אם המודל לפתע מעל פני מועדים ICU צריך, ייתכן שהגיע הזמן לאימון מחדש עם נתונים אחרונים.

מקרה מחקר: עץ ההחלטות עבור ונטרלטור Allocation במהלך COVID-19

במהלך הגלים הראשונים של מגפת COVID-19, בתי חולים רבים נתקלו במחסור באוורור. גישה עץ החלטה שפותחה על ידי חוקרים מאוניברסיטת ג'ונס הופקינס (https: www.hopmedicine.org/news/articles/preparing-for-ventilator-for-ventilator-decision-decision-מודל) מספקת דוגמא אמיתית לעולם.The tree Useds כגון גיל, , הסתברות, חלבונים עמידת-דלקתיים, וסיכויים של חלבון מכני לשרוד, וחיזוי-דלקתי ראייה, וחלבון קצר-דלקתי-דלקתיים, ללא , וסיכויים, וסיכויים, עם רמות ההסתברות, עם חלבון מכני, עם חלבון מכני, עם חלבון קצר-דלקתיים, ללא מודל חיזוי-דלקתיים, וחיזוי, וחלבון, ללא , וסיכויים, עם , עם חלבון, וחלבון, וסיכויים, עם חיזוי חלבון מכני, ללא חיזוי חלבון קצר-דלקתיים, וסיכויים, עם חלבון קצר-דלקת-דלקתיים, ללא חיזוי, ללא חיזוי, ללא חיזוי, וסיכויים, וסיכויים, וסיכויים מכני, וסיכויים, הסתברות, וסיכוי

המודל סייע לצוותי הטריג' להחליט אילו חולים היו בעלי הסיכוי הטוב ביותר ליהנות מממציא מוגבל.הטבע המפרש אפשר לרופאים לראות, למשל, כי חולים מעל 80 עם שלוש או יותר תחלואה היו פחות מ-10% סיכוי של תוצאה טובה - בעוד חולים צעירים עם תחלואה יחידה אחת היו סיכוי של 60%+ למרות שלא צריך לפסול שיפוט קליני, ההחלטה מספקת מסגרת עקבית, שקופה וצמצום החלטות רגשיות.

Beyond Single Trees: Ensembles and Hybrid Models

בעוד עץ החלטה יחיד הוא נפלא להסביר, הדיוק שלו לעתים קרובות מתרברב מאחורי שיטות מורכבות יותר.עבור הקצאת משאבים, בתי חולים רבים מאמצים אסטרטגיה מקבילה:

(ב) בפרשת [[המאה ה-1]], [[1924]], [[1924]]]], [[1924]]]], [[1924]]]]]], [[1924]]]]]]
(FLT:0) השתמש ביער אקראי 1:1 עבור תחזיות הדורשות דיוק גבוה יותר (למשל, סיכון קבלה ICU) אבל שבו הסבירות עדיין חשובה באמצעות מזימות חשובות וגרפים תלות חלקית.
(FLT:0) הגדלת ⁇ 1 (למשל, XGBoost או LightGBM) לקבלת ההחלטות הקריטיות והגבוהות ביותר (למשל, תזמון דינמית) אלה הם פחות מפרשים, אבל ערכי SHAP יכולים לספק הסברים לאחר-הוק.

גישה זו מאוזנת את הצורך בשקיפות עם הביקוש לכוח חיזוי.

מפת הדרכים של ארגוני בריאות

עבור בית חולים או מערכת בריאות שרוצים לאמץ עצי החלטות, השלבים הבאים מציעים מפת דרכים מעשית.

צוות רב תחומי: FLT:0 (Form a Multidisciplinary Team:FLT:1) כולל מדעני נתונים, רופאים, מנהלי מערכת ו- IT. Define a Problem Area with Executiveספונסרship.
(ב) עיין:0) מידע קיים: FLT:1 Determine אשר מקורות נתונים זמינים, אמין ואתי לשימוש.
(FLT:0)Start with aפיילוט:FLT:1hil) בחר בעיה הקצאת משאבים אחת (למשל, חיזוי הביקוש במיטה ביחידה כירורגית) בנה עץ החלטה פשוט ולבחון אותו בסביבה סימולציה לא ביקורתית.
(ב) [ה]העץ לסגל הקדמי, אשר ישתמש בו, האם הכללים הגיוניים?האם יש מקרים שבהם העץ מטפל בצורה גרועה?
(FLT:0)Deploy ככלי תמיכה בהחלטות: ⁇ 1) ,אינו את העץ לתוך EHR של בית החולים או לוח המחוונים, ודא כי הוא מספק המלצות ללא הסרת סמכות אנושית סופית.
(FLT:0)Monitor ו retrain:FLT:1 , להגדיר ניטור אוטומטי של ביצועי מודל. לוח זמנים מחדש רבעון באמצעות הנתונים האחרונים ביותר.
(FLT:0)Scale בהדרגה:FLT:1 כאשר הטייס מוכיח ערך, להרחיב לבעיות הקצאת משאבים אחרים - אבל לשמור על מתודולוגיה עקבית ומסגרת ממשל.

כיוונים עתידיים: עצי החלטות ב-Precision Resource Allocation

הגבול הבא משלב עצי החלטות עם מקורות נתונים אחרים, כגון נתוני IoT בזמן אמת ממכשירים לבישים, פרופילים גנטיים וקביעתים חברתיים של בריאות. Reinforcement Learning – שבו עץ החלטה משמש כדי להקצות משאבים באופן שווה לאורך זמן - הוא גם מתפתח.לדוגמה, עץ יכול להחליט כל שעה אם להגדיל או להקטין את יחס החולה-ל החולה מבוסס על אותות הידרדרות בזמן אמת.

בנוסף, למידה מוזן מאפשרת לבתי חולים מרובים להכשיר עץ החלטה ללא שיתוף נתונים רגישים לחולה.זה יכול לייצר מודלים חזקים יותר, כללי כי מכבדים פרטיות נתונים - צורך קריטי בבריאות.

מסקנה

עצי ההחלטות אינם פנאצה, אבל הם כלי רב עוצמה ומעשי להקצאת משאבי הבריאות.שקיפות, מהירות וקלות פריסה, הופכים אותם בעלי ערך במיוחד בסביבות שבו לכל החלטה יש עלות אנושית.על ידי החל עם בעיה מוגדרת היטב, השקעה באיכות נתונים, אימות מודלים עם מומחים קליניים, ארגוני בריאות יכולים להשתמש בעצי החלטה כדי להקצות מיטות, צוות, ואספקה הוגנת ויעילה יותר, כמו גם את תוכניות טיפוליות, כדי לשפר את התוצאות הטובות ביותר כדי לשלוט על ידי מטופלים, כדי לשפר את התוצאות הטובות ביותר, כמו גם על ידי ניהול נתונים, כמו גם על ידי ניהול.

(ב) ◄ ⁇ ⁇

ארגון הבריאות העולמי (FLT:0) - כוח העבודה לבריאות (WHO) - הקשר לתכנון משאבים.
(FLT:0) מודל עץ החתך עבור COVID-19 Triage - NCBIIRLT:1 - מחקר מעמית על הקצאת האוורור.
(FLT:0)Harvard Business Review – שימוש ב-AI for Bed/Ventilator החלטות sertsph:1 - נקודת מבט של מתרגל על יישום.
(ב) ⁇ :0) ,הגינות למחקר רפואי ואיכות - כלי הקצאה משאבים אלקטורופול 1:1 - ערכת כלי רכב ממשלתית.