Treatment of individual predictors with neural network algorithms improves Global Registry of Acute Coronary Events score discrimination / El tratamiento con redes neuronales de las variables del Global Registry of Acute Coronary mejora la discriminación del score

Abstract Objective: The aim of this study was to develop, train, and test different neural network (NN) algorithm-based models to improve the Global Registry of Acute Coronary Events (GRACE) score performance to predict in-hospital mortality after an acute coronary syndrome. Methods: We analyzed a prospective database, including 40 admission variables of 1255 patients admitted with the acute coronary syndrome in a community hospital. Individual predictors included in GRACE score were used to train and test three NN algorithm-based models (guided models), namely: one- and two-hidden layer multilayer perceptron and a radial basis function network. Three extra NNs were built using the 40 admission variables of the entire database (unguided models). Expected mortality according to GRACE score was calculated using the logistic regression equation. Results: In terms of receiver operating characteristic area and negative predictive value (NPV), almost all NN algorithms outperformed logistic regression. Only radial basis function models obtained a better accuracy level based on NPV improvement, at the expense of positive predictive value (PPV) reduction. The independent normalized importance of variables for the best unguided NN was: creatinine 100%, Killip class 61%, ejection fraction 52%, age 44%, maximum creatine-kinase level 41%, glycemia 40%, left bundle branch block 35%, and weight 33%, among the top 8 predictors. Conclusions: Treatment of individual predictors of GRACE score with NN algorithms improved accuracy and discrimination power in all models with respect to the traditional logistic regression approach; nevertheless, PPV was only marginally enhanced. Unguided variable selection would be able to achieve better results in PPV terms.

Resumen Objetivo: El objetivo fue desarrollar, entrenar y probar diferentes modelos basados en algoritmos de redes neuronales (RN) para mejorar el rendimiento del score del Registro Global de Eventos Coronarios Agudos (GRACE) para predecir la mortalidad hospitalaria después de un síndrome coronario agudo. Métodos: Analizamos una base de datos prospectiva que incluía 40 variables de ingreso de 1255 pacientes con síndrome coronario agudo en un hospital comunitario. Las variables incluidas en la puntuación GRACE se usaron para entrenar y probar tres algoritmos basados en RN (modelos guiados), a saber: perceptrones multicapa de una y dos capas ocultas y una red de función de base radial. Se construyeron tres RN adicionales utilizando las 40 variables de admisión de toda la base de datos (modelos no guiados). La mortalidad esperada según el GRACE se calculó usando la ecuación de regresión logística. Resultados: En términos del área ROC y valor predictivo negativo (VPN), casi todos los algoritmos RN superaron la regresión logística. Solo los modelos de función de base radial obtuvieron un mejor nivel de precisión basado en la mejora del VPN, pero a expensas de la reducción del valor predictivo positivo (VPP). La importancia normalizada de las variables incluidas en la mejor RN no guiada fue: creatinina 100%, clase Killip 61%, fracción de eyección 52%, edad 44%, nivel máximo de creatina quinasa 41%, glucemia 40%, bloqueo de rama izquierda 35%, y peso 33%, entre los 8 predictores principales. Conclusiones: El tratamiento de las variables del score GRACE mediante algoritmos de RN mejoró la precisión y la discriminación en todos los modelos con respecto al enfoque tradicional de regresión logística; sin embargo, el VPP solo mejoró marginalmente. La selección no guiada de variables podría mejorar los resultados en términos de PPV.

A neural network for prediction of risk of nosocomial infection at intensive care units: a didactic preliminary model / Uma rede neural de previsão de riscos de infecção nosocomial em unidades de cuidado intensivo: um modelo preliminar didático

ABSTRACT Objective: To propose a preliminary artificial intelligence model, based on artificial neural networks, for predicting the risk of nosocomial infection at intensive care units. Methods: An artificial neural network is designed that employs supervised learning. The generation of the datasets was based on data derived from the Japanese Nosocomial Infection Surveillance system. It is studied how the Java Neural Network Simulator learns to categorize these patients to predict their risk of nosocomial infection. The simulations are performed with several backpropagation learning algorithms and with several groups of parameters, comparing their results through the sum of the squared errors and mean errors per pattern. Results: The backpropagation with momentum algorithm showed better performance than the backpropagation algorithm. The performance improved with the xor. README file parameter values compared to the default parameters. There were no failures in the categorization of the patients into their risk of nosocomial infection. Conclusion: While this model is still based on a synthetic dataset, the excellent performance observed with a small number of patterns suggests that using higher numbers of variables and network layers to analyze larger volumes of data can create powerful artificial neural networks, potentially capable of precisely anticipating nosocomial infection at intensive care units. Using a real database during the simulations has the potential to realize the predictive ability of this model.

RESUMO Objetivo: Propor um modelo preliminar de inteligência artificial, baseado em redes neurais artificiais, para previsão do risco de infecção hospitalar em unidades de cuidado intensivo. Métodos: Foi usada uma rede neural artificial, que utiliza aprendizagem supervisionada. A geração dos conjuntos de dados baseia-se em dados derivados do sistema Japanese Nosocomial Infection Surveillance . Estudamos como o Java Neural Network Simulator aprende a categorizar esses pacientes para prever o respectivo risco de infecção hospitalar. As simulações são realizadas com diferentes algoritmos de aprendizagem por retropropagação e diversos grupos de parâmetros, comparando-se os resultados com base na soma dos erros quadráticos e erros médios por padrão. Resultados: O algoritmo de retropropagação com momentum mostrou desempenho superior ao do algoritmo de retropropagação. O desempenho foi melhor com os valores de parâmetros do arquivo xor. README em comparação aos parâmetros default . Não houve falhas na categorização de pacientes quanto ao respectivo risco de infecção hospitalar. Conclusão: Embora esse modelo se baseie em um conjunto de dados sintéticos, o excelente desempenho observado com um pequeno número de padrões sugere que o uso de números maiores de variáveis e camadas de rede para analisar volumes maiores de dados pode criar redes neurais artificiais poderosas, possivelmente capazes de prever com precisão o risco de infecção hospitalar em unidades de cuidado intensivo. O uso de um banco de dados real durante as simulações torna possível a realização da capacidade preditiva desse modelo.

Ecuadorian infant mortality linked to socioeconomic factors during the last 30 years / Mortalidad infantil en Ecuador asociada a factores socioeconómicos durante los últimos 30 años

Abstract Objectives: to analyze the difference among geographical units and the evolution of infant mortality rate (IMR) based on Ecuadorian censuses (1990-2001-2010). Methods: artificial Neural Network analyzed the impact of sociodemographic factors over the variability of IMR. Poisson regression analyzed the variation of the standardized IMR (sIMR). Results: the decrease in the national IMR was 63.8%; however, 42.8% provinces showed an increase in 2001-2010. The variability was explained mainly by illiteracy decrease. The adjusted RR between provincial sIMR with illiteracy and poverty revealed a trend towards the unit. Conclusions: the variation of IMR reflects a complex interaction of the sociodemographic factors.

Resumen Objetivos: analizar las diferencias de la evolución de la tasa de mortalidad infantil (TMI) entre unidades geográficas basada en los censos ecuatorianos (1990-2001-2010). Métodos: la red neuronal artificial analizó el impacto de los factores sociodemográficos sobre la variabilidad de la TMI. La regresión de Poisson analizó la cuantificación de la variación de la TMI estandarizada (TMIs). Resultados: la disminución en la TMI nacional fue de 63.8%; sin embargo, 42.8% de las provincias mostraron un incremento en el periodo 2001-2010. La variabilidad se explica principalmente por la disminución del analfabetismo. El RR ajustado entre TMIs provincial con analfabetismo y pobreza reveló una tendencia hacia la unidad. Conclusiones: la variación de la TMI refleja una interacción compleja de los factores sociodemográficos estudiados.

Analysis of influencing factors of severity in acute pancreatitis using big data mining

SUMMARY OBJECTIVES To evaluate the epidemiological characteristics of acute pancreatitis (AP) and explore potential relationships between these factors and severity. METHODOLOGY Data-sets of 5,659 patients with AP from health statistics and the Information Center of Jiangsu province, between 2014 and 2016, were analyzed. A self-organizing map (SOM) neural network was used for data clustering. RESULTS Biliary acute pancreatitis (BAP) (86.7%) was the most frequent etiological factor. A total of 804 (14.2%) patients had severe acute pancreatitis (SAP). The mean age of patients was 53.7 + 17.3 (range 12~94y). Most of the AP patients were married (75.4%); 6% of mild /moderately severe AP (MAP/MASP) patients were unmarried, which was less than SAP patients (P=0.016). AP patients with blood type AB in the general population (8.8%) was significantly lower than that of AP cases (13.9%) (P=0.019) and SAP cases(18.7%) (P=0.007). The number of AP patients in southern Jiangsu was much higher than that in northern Jiangsu province, especially in Nanjing (1229, 21.7%). The proportion of acute alcoholic pancreatitis (AAP) in the north of Jiangsu (Xuzhou 18.4%) was much higher than that in southern Jiangsu (Suzhou 2.6%). The whole sample was divided into five classes by SOM neural network. If BAP patients were male, old, divorced, and blood type AB or B, they were more likely to develop SAP. Middle-age, unmarried or divorced male patients with blood type B/AB who suffered from HAP or AAP were also more likely to develop SAP. CONCLUSIONS The number of unmarried patients with MAP/MASP was smaller than that of SAP. Blood types AB and B were more frequent in AP, especially in SAP. The differences between southern Jiangsu and northern Jiangsu, in number of AP patients and the proportion of AAP, were significant. In class I and class IV, the ratio of SAP was much higher than in other classes and the whole sample.

Comparison of machine-learning algorithms to build a predictive model for detecting undiagnosed diabetes - ELSA-Brasil: accuracy study / Comparação de algoritmos de aprendizagem de máquina para construir um modelo preditivo para detecção de diabetes não diagnosticada - ELSA-Brasil: estudo de acurácia

ABSTRACT CONTEXT AND OBJECTIVE: Type 2 diabetes is a chronic disease associated with a wide range of serious health complications that have a major impact on overall health. The aims here were to develop and validate predictive models for detecting undiagnosed diabetes using data from the Longitudinal Study of Adult Health (ELSA-Brasil) and to compare the performance of different machine-learning algorithms in this task. DESIGN AND SETTING: Comparison of machine-learning algorithms to develop predictive models using data from ELSA-Brasil. METHODS: After selecting a subset of 27 candidate variables from the literature, models were built and validated in four sequential steps: (i) parameter tuning with tenfold cross-validation, repeated three times; (ii) automatic variable selection using forward selection, a wrapper strategy with four different machine-learning algorithms and tenfold cross-validation (repeated three times), to evaluate each subset of variables; (iii) error estimation of model parameters with tenfold cross-validation, repeated ten times; and (iv) generalization testing on an independent dataset. The models were created with the following machine-learning algorithms: logistic regression, artificial neural network, naïve Bayes, K-nearest neighbor and random forest. RESULTS: The best models were created using artificial neural networks and logistic regression. ­These achieved mean areas under the curve of, respectively, 75.24% and 74.98% in the error estimation step and 74.17% and 74.41% in the generalization testing step. CONCLUSION: Most of the predictive models produced similar results, and demonstrated the feasibility of identifying individuals with highest probability of having undiagnosed diabetes, through easily-obtained clinical data.

RESUMO CONTEXTO E OBJETIVO: Diabetes tipo 2 é uma doença crônica associada a graves complicações de saúde, causando grande impacto na saúde global. O objetivo foi desenvolver e validar modelos preditivos para detectar diabetes não diagnosticada utilizando dados do Estudo Longitudinal de Saúde do Adulto (ELSA-Brasil) e comparar o desempenho de diferentes algoritmos de aprendizagem de máquina. TIPO DE ESTUDO E LOCAL: Comparação de algoritmos de aprendizagem de máquina para o desenvolvimento de modelos preditivos utilizando dados do ELSA-Brasil. MÉTODOS: Após selecionar 27 variáveis candidatas a partir da literatura, modelos foram construídos e validados em 4 etapas sequenciais: (i) afinação de parâmetros com validação cruzada (10-fold cross-validation); (ii) seleção automática de variáveis utilizando seleção progressiva, estratégia "wrapper" com quatro algoritmos de aprendizagem de máquina distintos e validação cruzada para avaliar cada subconjunto de variáveis; (iii) estimação de erros dos parâmetros dos modelos com validação cruzada; e (iv) teste de generalização em um conjunto de dados independente. Os modelos foram criados com os seguintes algoritmos de aprendizagem de máquina: regressão logística, redes neurais artificiais, naïve Bayes, K vizinhos mais próximos e floresta aleatória. RESULTADOS: Os melhores modelos foram criados utilizando redes neurais artificiais e regressão logística alcançando, respectivamente, 75,24% e 74,98% de média de área sob a curva na etapa de estimação de erros e 74,17% e 74,41% na etapa de teste de generalização. CONCLUSÃO: A maioria dos modelos preditivos produziu resultados semelhantes e demonstrou a viabilidade de identificar aqueles com maior probabilidade de ter diabetes não diagnosticada com dados clínicos facilmente obtidos.

Predicción de días de estada en unidades de cuidados intensivos usando redes neuronales artificiales / Length of stay prediction in intensive care units using artificial neural networks

La determinación de los días de estada, al momento de la admisión, es un factor importante para la toma de decisiones tanto clínicas como administrativas. Actualmente, existen diferentes trabajos que enfrentan el problema de la determinación de estadía, basados en modelos estadísticos lineales, los cuales son limitados en sus capacidades representacionales. Aquí se utilizan datos retrospectivos de 288 pacientes admitidos en la unidad de cuidados intensivos de adultos de tres hospitales chilenos. Se caracteriza la severidad de la enfermedad de los pacientes al momento de la admisión, cuantificando nominalmente los diagnósticos e incluyendo otras variables de severidad. La estadía se modela usando redes neuronales multicapa (Backpropagation). Los resultados del ajuste arrojan errores menores que 3 por ciento para predicción de días de estada y mediante un análisis de sensibilidad de la red, es posible obtener información clínica relevante de los factores que influyen en la estadía

Aplicaçäo das redes neurais artificiais em um levantamento epidemiológico utilizando o índice CPITN / Use of artificial neural network in an epidemiological survey applying the CPITN index

Uma amostra de 4563 indivíduos foi examinada com uso do Indice de Necessidade de Tratamento Periodontal da Comunidade (CPITN) aplicando-se o Programa de RN aiNet, versäo 1.22. A primeira fase foi o treinamento da rede e a segunda de "teste", em funçäo da idade e a presença ou ausência de diferentes condiçöes periodontais, nos seguintes GRUPOS: G1, G2, G3, G4 e G5. Gerou-se quatro modelos diferentes (M1,M2, M3 e M4) utilizando-se as variáveis família, gênero, idade, classe econômica, escolaridade e CPITN ou combinaçöes de parâmetros clínicos. Os resultados foram favoráveis em M1 e M2 do G5 atingindo índices de acerto acima de 90 por cento indicando a presença ou ausência da doença periodontal, demonstrando um bom desempenho da RN como método auxiliar no diagnóstico periodontal

Implementaçäo do modelo Geronte para avaliaçäo da autonomia de pacientes através de uma rede neural artificial / Implemented the Geronte model to evaluated a patients autonomy through of an artificial neural network

Desenvolvemos neste trabalho uma rede neural artificial do tipo rede de Hopfield para implementar o modelo Geronte, que avalia a autonomia de pacientes através da observação dos seus desempenhos nas atividades da vida diária. O uso de uma rede neural para efetuar este tipo de classificação, constitui uma tentativa de fornecer um auxílio na tarefa de reconhecimento de padrões de auto-suficiência em pacientes, otimizando o processo de enfermagem.