Deep Learning Model for Early Subsequent COPD Exacerbation Prediction
Notice bibliographique
Résumé
Chronic Obstructive Pulmonary Disease (COPD) patients have a burden of frequent exacerbations during daily life.Automatic solutions for early COPD exacerbation prediction could promote COPD healthcare and reduce hospital readmissions.Previous works didn't consider symptoms change patterns which might not be effective for timely and personalized therapy.When using a pulse oximeter for COPD diagnosis, arterial oxygen saturation (SPO2) levels are targeted, depending on whether a patient is stable, hospitalized, or being recovered from exacerbation states.However, the timely management of COPD is a problem, due to the manual monitoring of individual measurements.This research investigates whether the Long Short-Term Memory (LSTM) model can predict early COPD subsequent exacerbation by prompting therapy depending on COPD symptoms patterns and SPO2 burden levels.Time-stamped Electronic Health Record (EHR) from COPD patients' data time series were examined, over subsequent days, with the aim to evaluate a short-time window which a monitoring system for an accurate and early prediction of subsequent exacerbations could be based on.Therefore, the LSTM model was evaluated by varying a window of one to six prior time-steps, to forecast a subsequent day.The window of 1 day showed a good performance of a training accuracy of 87%, a testing accuracy of 85% and an area under the curve (AUC) of 0.83, by employing the training and testing model on only 54 patients.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».