Predicting Glucose Test Ordering in Hospitalized Patients Using Temporal Models of Clinical Context Embeddings
Notice bibliographique
Résumé
The overuse of laboratory tests is a persistent challenge in healthcare, driving unnecessary costs, patient discomfort, and low-value care. Glucose testing, one of the most common diagnostics, exemplifies this issue in hospital settings. We present a deep learning framework that integrates structured and unstructured electronic medical record data to predict whether a glucose test will be ordered in the next AM/PM time bin. Using multi-hospital data from the GEMINI dataset, we combine Long Short-Term Memory models with Clinical BioBERT embeddings to capture both the timing and clinical context of testing. On held-out test data, our best model achieved ROC-AUC of 0.92 and PR-AUC of 0.67, and generalized across sites in leave-one-hospital-out evaluation (ROC-AUC 0.84). Embedding-based models outperformed traditional feature representations, though adding more tests and vitals did not always yield further gains. By contrast, introducing a simple temporal recency cue (bin counter) improved performance. An exploratory regression task for predicting glucose values performed worse, likely due to class imbalance and reliance on forward-filled values; Random Forest achieved R^2 of 0.80 under masked evaluation, indicating a need for more frequent or diverse test data. Predicting laboratory test ordering is the first step toward evaluating the usefulness of laboratory test use and establishes a foundation for future real-time decision support to reduce unnecessary lab use in hospitals.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».