Informatyka i pomiary w opiece zdrowotnej: głębokie uczenie się w celu przewidywania ponownych hospitalizacji pacjentów z cukrzycą

W 2023 r. na całym świecie na cukrzycę cierpiało około 460 milionów osób. Niniejszy artykuł analizuje i porównuje metody prognozowania ponownych hospitalizacji pacjentów z cukrzycą poprzez połączenie tradycyjnych podejść z nowoczesnymi frameworkami głębokiego uczenia się. W ramach niniejszej pracy przeanalizowano różne architektury głębokiego uczenia się – w tym modele rekurencyjne, takie jak LSTM i GRU, a także CNN i autoenkodery – wraz z konwencjonalnymi podejściami do uczenia maszynowego. Do pomiaru i porównania skuteczności różnych modeli wykorzystano cztery podstawowe wskaźniki – dokładność, precyzję, czułość i F1-score. Wyniki wykazały, że metody głębokich sieci neuronowych znacznie przewyższały klasyczne algorytmy uczenia maszynowego. Spośród metod tradycyjnych najwyższą skuteczność osiągnęło drzewo decyzyjne. Jednak sieć LSTM wykazała się lepszą wydajnością, osiągając wyniki 0,74 dla dokładności, 0,73 dla precyzji, 0,74 dla czułości i 0,73 dla F1-score. Ponadto modele GRU i Vanilla LSTM wykazały wydajność zbliżoną do najlepszego modelu, co wskazuje, że sieci rekurencyjne są bardziej odpowiednie dla tego problemu niż metody tradycyjne.