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 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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».