进化混合部分遗传算法分类模型的低成本脆弱性筛选:调查研究gydF4y2Ba

介绍gydF4y2Ba

遗传算法(GA)是一种受自然界进化机制启发的通用计算优化方法。它们是最流行的元启发式搜索算法之一，已被用于各种应用，包括合成数据生成、特征选择和解决复杂方程[gydF4y2Ba1gydF4y2Ba］．在这项研究中，遗传算法已被应用于识别在成本和准确性之间提供适当权衡的特征。gydF4y2Ba

在全球人口老龄化的背景下，将有相当大一部分生活在虚弱中的老年人数量正在迅速增长[gydF4y2Ba2gydF4y2Ba］．对于老年人和他们所生活的社会来说，虚弱是一个问题，因为与该综合征相关的风险增加，包括健康状况不佳[gydF4y2Ba3.gydF4y2Ba]以及增加使用保健和老年护理服务[gydF4y2Ba4gydF4y2Ba-gydF4y2Ba7gydF4y2Ba]，导致医疗费用膨胀[gydF4y2Ba8gydF4y2Ba-gydF4y2Ba10gydF4y2Ba］．然而，新出现的研究表明，虚弱是一个高度动态的过程。gydF4y2Ba11gydF4y2Ba，gydF4y2Ba12gydF4y2Ba]，以及在适当干预下可能改变的状态[gydF4y2Ba13gydF4y2Ba，gydF4y2Ba14gydF4y2Ba］．建议进行早期检测筛查，以增加减轻虚弱最坏影响的可能性[gydF4y2Ba4gydF4y2Ba，gydF4y2Ba15gydF4y2Ba，gydF4y2Ba16gydF4y2Ba］．gydF4y2Ba

鉴定虚弱有两种主要方法:虚弱表型(FP)和虚弱指数(FI) [gydF4y2Ba17gydF4y2Ba］．然而，这些已建立的方法存在已知的缺陷，需要大量的时间投资、面对面的互动和收集特定的数据项[gydF4y2Ba18gydF4y2Ba］．最近，电子脆弱指数(eFI)被提出[gydF4y2Ba19gydF4y2Ba]，当应用于管理数据集时，与面对面模型相比，该模型有可能实现更高的效率，但需要确保遵守预先指定的标准的最小项目集仍然是实施的障碍。例如，先前的研究表明，虽然可以根据老年护理管理数据集计算和构建eFI，但有相当一部分项目需要人工计算，以确保准确性和提高质量[gydF4y2Ba20.gydF4y2Ba］．显然，最好是确定能够提供与之相当的准确性和质量，但效率更高的自动化技术。因此，本研究旨在应用复杂的遗传算法技术来确定计算eFI的最佳预测因子。gydF4y2Ba

方法gydF4y2Ba

研究设计、参与者和环境gydF4y2Ba

这项回顾性研究使用了先前汇编的数据集[gydF4y2Ba21gydF4y2Ba]来自澳大利亚昆士兰州10家老年护理机构的管理数据库。75岁或以上的参与者被纳入研究，并在过去3年内完成了老年护理资助工具(ACFI)评估。gydF4y2Ba

道德的考虑gydF4y2Ba

澳大利亚托伦斯大学人类研究伦理委员会(申请H11/19)放弃了初步研究的同意，由于研究的实用性，该委员会根据国家声明5.1.22(二次使用未识别的行政数据)宣布该研究豁免。因为这是对相同数据的二次研究，所以批准扩展到这项研究。此外，本研究遵循澳大利亚人类研究伦理行为国家声明。gydF4y2Ba

虚弱结果测量gydF4y2Ba

eFI是先前为该数据计算的[gydF4y2Ba21gydF4y2Ba]基于Clegg等人最初指定的公式[gydF4y2Ba22gydF4y2Ba］．注意确保纳入的缺陷符合Searle及其同事建议的标准[gydF4y2Ba23gydF4y2Ba]，这导致35个缺陷中的32个是从非结构化的患者病历中提取出来的，只有3个是从ACFI数据中提取出来的。二元脆弱性分类使用阈值0.21(即，脆弱性定义为>0.21)[gydF4y2Ba24gydF4y2Ba］．gydF4y2Ba

筛选试验构造gydF4y2Ba

遗传算法是一种优化技术[gydF4y2Ba1gydF4y2Ba]应用于机器学习中，用于过滤一组用于构建分类模型的特征。在训练过程中，分类算法在训练集上进行调优，然后通过测量测试集中的分类误差来验证获得广义预测算法的成功。gydF4y2Ba

遗传算法利用了这样一种观察:当分类模型在可用特征的子集上训练时，它们通常表现得更好。然而，使用哪个特性子集并不明显。遗传算法从随机生成的特征子集(或染色体)开始，这些特征子集都独立用于生成分类模型。来自产生最佳表现模型的群体的染色体被允许结合或繁殖，以形成新一代的群体，而表现最差的染色体则被完全去除。这个过程将继续进行，直到训练了预定义的代数，或者模型的性能趋于稳定。训练完成后，只使用自然选择的可用特征子集部署性能最佳的模型。gydF4y2Ba

虽然遗传算法擅长选择最优的特征子集，但它们基于最大化生成模型的分类精度来选择特征。获取各种功能的成本并没有被考虑到功能的选择中，即使价格较低的功能的性能接近于价格较高的功能。在本研究中，一个特性的成本是捕获价值所涉及的努力、金钱成本和患者风险的组合。我们希望尽可能减少选择用于形成模型的昂贵特征的数量，但允许使用尽可能多的低成本特征，以获得可接受的模型性能。gydF4y2Ba

为了实现在分类模型中包含低成本的特征，标准遗传算法训练配置如图所示gydF4y2Ba图1gydF4y2Ba修改如中所示gydF4y2Ba图2gydF4y2Ba．gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

每次为遗传算法试验的每个群体成员训练模型时，都会执行这种修改。当遗传算法训练一个模型时，它将可用训练记录的子集传递给分类模型的训练算法。在开始训练之前，需要将每个记录的低成本特征值添加到所选的训练记录中。遗传算法使用训练记录的不同子集对每个染色体的分类模型进行多次训练，并使用未用于训练该实例的记录来确定每个模型的性能。与训练记录一样，需要将低成本的特征添加到用于确定模型性能的记录中。染色体的性能计算为从训练记录的不同子集建立的所有模型的平均性能。这个过程被称为n次交叉验证，其中n是建立模型的数量。在这项研究中，使用了3倍交叉验证，因为它确保了性能和构建模型所需时间之间的良好平衡。gydF4y2Ba

使用部分遗传算法优化了四种类型的分类模型:逻辑回归、支持向量机、随机森林和决策树。这些算法是分类的流行选择，因为它们已被证明在为广泛的应用生成广义模型方面是成功的[gydF4y2Ba20.gydF4y2Ba］．逻辑回归是一种统计建模技术，在训练过程中发现输入特征的线性组合，它对二进制结果处于真实状态的概率的对数进行建模。支持向量机(SVM)的目标是学习一个多维超平面，它将给定的记录集分离出来进行训练。通过将候选记录放在同一个多维分类空间中并确定它映射到超平面的哪一侧来进行预测。SVM是在20世纪90年代开发的，并在许多实际应用中取得了成功，包括模式识别[gydF4y2Ba25gydF4y2Ba]，文本分类[gydF4y2Ba26gydF4y2Ba]和生物信息学。决策树采用分而治之的策略。树由节点组成，每个节点执行单个输入特征和阈值的比较(如果变量是连续的)或状态的比较(如果特征是离散的)。比较的结果决定下一个节点的选择，该节点要么执行新的比较，要么使用给定的分类终止树。在训练过程中，使用训练记录集在每个节点上进行比较，通过最大限度地减少结果中的熵来获得最多的信息。后续的训练预测是通过将记录输入到根节点并确定记录退出树的终止节点的分类来进行的。随机森林是决策树的一种元形式，其中输出由许多树之间的投票决定。这些树是用不同的方法构建的，以确保它们不是彼此的复制品。gydF4y2Ba

该软件是用Python编写的，模型是使用sklearn模块(版本1.0.2)和sklearn-genetic(版本0.5.1)中的genetic_selection模块构建的。gydF4y2Ba

结果gydF4y2Ba

模型生成gydF4y2Ba

在考虑的69个特征中，34个直接从ACFI评估中提取，35个是用于计算eFI的值。ACFI的两个特征，老年心理评估量表(PAS)评分和康奈尔量表，被排除在外，因为它们有很高的缺失值百分比(PAS评分36%，康奈尔量表42%)。其余32个ACFI评估特征没有缺失值，被归类为低获取成本特征。在用于计算eFI的35个特征中，有32个是通过在非结构化患者病历中自动搜索关键词提取的，然后由临床医生手动检查和验证。这些被归类为具有较高的获取成本。其余3个用于计算eFI的特征是ACFI特征的直接组合。由于这些特征的计算可以完全自动化，因此它们包含在低成本特征中。共考虑4组低成本特征:(1)ACFI特征+低成本eFI特征;(2)低成本电喷的特点;(3)无低成本功能; and (4) a set of features chosen from the low-cost features using genetic algorithms. A different set was found for each of the classification algorithms.

试验了16个场景，包括上述4组低成本特征中的每一种分类算法。针对每种场景，使用部分遗传算法对高成本特征的数量进行不同限制来优化分类算法。限制从1到32依次变化，这是候选高成本特性的数量。为每个场景生成的32种算法中的每一种算法的性能都被绘制在一张图上。每个场景的图表都绘在其中gydF4y2Ba图3gydF4y2Ba-gydF4y2Ba6gydF4y2Ba．gydF4y2Ba

在比较每个分类模型的图时，逻辑回归在每个场景中都优于决策树，SVM和随机森林在几乎所有场景中都优于决策树。gydF4y2Ba表1gydF4y2Ba-gydF4y2Ba3.gydF4y2Ba演示使用5、10和15个高成本获取特性时16个场景的数值比较。gydF4y2Ba

提供了“无低成本”特征的选项，以确定低成本特征为分类增加了多少预测价值。正如预期的那样，这个选项在所有分类算法中表现最差，这证实了低成本的功能正在增加价值。接下来，仅使用3个低成本eFI特征作为固定特征构建模型。这将逻辑回归算法的准确率提高到97%，几乎所有的eFI特征都包括在内(gydF4y2Ba表4gydF4y2Ba)。虽然这是一个很好的结果，但使用如此多高成本特性构建的模型并不是本研究的目标。gydF4y2Ba

遗传算法的工作原理是从所有可用的特征中选择一个最优的子集。这个特性是分两个阶段构建模型版本的动机。在第一阶段，对低成本特征使用标准的非偏遗传算法来寻找最优组合。这些模型表现很差(gydF4y2Ba表5gydF4y2Ba)，如果没有进一步的改进，它们就不能使用。用于生成这些模型的特性的组合(gydF4y2Ba多媒体附件1gydF4y2Ba-gydF4y2Ba3.gydF4y2Ba)作为第二阶段部分遗传算法的固定特征。第二阶段的模型表现得出奇地差，与没有任何低成本特征的模型相比，无论使用的分类模型是什么。gydF4y2Ba

在部分遗传算法中使用所有低成本特征产生了最佳的整体结果，当模型能够选择大部分高成本eFI特征时，使用低成本eFI特征的模型达到了97%的准确率。然而，在10个特征中，额外的低成本特征使算法的灵敏度从82.7%提高到89.3%，特异性从81.7%提高到86.7%。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

通过人工智能技术，可以对包含ACFI评估和非结构化患者记录的老年护理数据库进行具有成本效益的虚弱筛查测试。这项研究表明，仅凭ACFI评估并不能提供足够的信息来确定患者是否虚弱。然而，当ACFI数据仅增加10个额外特征时，就可以导出一个表现良好的AI模型，用于筛选测试。这在临床实践中意味着，使用我们新颖的ai衍生的虚弱模型，可以在住院护理中快速准确地识别出虚弱的老年人。快速识别虚弱对于优化管理病情至关重要[gydF4y2Ba27gydF4y2Ba］．事实上，最近澳大利亚皇家老年护理委员会强调了及早识别需要额外支持的体弱老年护理居民的重要性[gydF4y2Ba28gydF4y2Ba］．gydF4y2Ba

任何人工智能衍生的弱点筛选模型的价值都可以通过它降低获取特征的成本来判断，这些特征是确定用于构建弱点指数的缺陷值所需的。通常以可以直接输入分类模型的格式收集并存储在数据库中的特征具有较低的获取成本。不幸的是，如本研究所示(gydF4y2Ba表5gydF4y2Ba)及其他[gydF4y2Ba20.gydF4y2Ba]，这样的模型既缺乏敏感性，也缺乏特异性，无法作为有用的筛选试验。在另一个极端，包含用于计算eFI的所有赤字特征的模型表现非常好[gydF4y2Ba20.gydF4y2Ba) (gydF4y2Ba表4gydF4y2Ba)，但这些模型的价值不大。gydF4y2Ba

为了对筛选测试有用，模型必须具有可接受的准确性，并显著降低实现脆弱指数所需的特征的获取成本。如果不包括至少一些高成本的特征，就不能以可接受的精度开发模型，则需要确定实现可接受性能所需的高成本特征的最佳最小集。遗传算法在确定最大化模型性能所需的最优特征子集方面表现良好。此外，他们对子集的选择可以限制为任意数量的特性，直到并包括所有可用的特性。这允许在特征数量和派生模型的性能之间进行权衡。gydF4y2Ba

这项研究发现，如果一个遗传算法被允许从所有可用的特征中选择任意数量的特征，而不管它们的成本如何，它最经常选择只包括高成本特征的子集。这推动了前面提到的部分遗传算法的发展，这迫使算法也包括低成本的特征。然而，这提出了一个问题，即低成本的功能是否会增加任何价值。为了回答这个问题，结果既包括一个没有低成本特征的固定集，也包括一个只包含用于计算eFI的低成本特征的集。考虑具有10个高成本特征的逻辑回归模型，包括所有低成本特征，其灵敏度提高了17%(89%对72%)。这种组合没有影响特异性，特异性保持稳定(87%)，与没有低成本功能的场景相当。这种改进是显著的，可能代表了临床有用的筛查试验和不充分的筛查试验之间的区别。即使将基于所有低成本特征的模型与仅包含eFI计算中使用的低成本特征的模型进行比较，灵敏度也提高了6%(89%对83%)，特异性提高了5%(87%对82%)。gydF4y2Ba

尽管由部分遗传算法构建的具有10个高成本特征的模型只使用了所有高成本特征的不到三分之一，但它们仍然需要通过筛选患者病历来提取这10个特征。自然语言处理(NLP)的最新进展显示出自动化提取过程的前景。NLP似乎可以提取出计算eFI所需的所有特征，但这需要比本研究中使用的数据集大得多的数据集。与此同时，从每个患者记录中获取至少10个特征的成本仍然是在任何类似于我们的数据库(包含ACFI评估和非结构化患者记录)上实施筛选测试的成本。gydF4y2Ba

部分遗传算法可用于从任何数据库中导出分类模型，其中某些参数的获取成本高于其他参数。尽管在这项研究中，它们已经在一个老年护理数据库上被证明可以预测虚弱，但它们可以用于任何领域。它们非常适合让人工智能模型经过训练，在成本很重要的领域实施筛选测试，并且获得候选特征的成本存在差异。gydF4y2Ba

限制gydF4y2Ba

因为这项研究重复使用了之前研究的数据[gydF4y2Ba20.gydF4y2Ba]，它分享了与第一项研究数据相关的局限性。特别是，数据来自单一的老年护理提供者，数据集相对较小。本研究基于ACFI评估的可用性进一步筛选患者。这些标准给出了适用于筛选测试的人群的扭曲代表，从而导致不同的模型性能，这是合理的。重现人工智能结果的能力仍然存在争议[gydF4y2Ba29gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba]，因此进一步的研究应该旨在用不同的数据集重现这些结果。进一步的限制是澳大利亚老年护理模式的变化，在未来两年内，一种新的模式将取代ACFI。gydF4y2Ba

结论gydF4y2Ba

筛选试验的价值在于其具有成本效益的应用。应用基于模型的筛选测试的主要成本在于获取输入模型的度量。为了使用人工智能技术获得有用的筛查测试，必须采用更便宜的算法，而不是那些需要更多努力或患者风险才能获得的功能。所有老年护理提供者及其临床顾问需要的是一种筛查工具，能够有效规划以证据为基础的干预措施，以帮助最能从中受益的年老体弱者。在政府和国家质量机构要求老年护理部门和所有提供者关注这一弱势群体的时候，我们采用有效的筛查工具是至关重要的。gydF4y2Ba

本文展示了如何使用部分遗传算法来确定高成本特征的最佳子集，并使用廉价特征来派生AI模型，以对脆弱性进行分类，包括使用哪些参数和使用多少参数。这种技术可以应用于任何数据库。它不能保证从任何数据库中都能找到适当的模型，但它确实能很好地表明数据中是否有足够的信息来推导模型。gydF4y2Ba

部分遗传算法在本文中被证明，以获得一个成本效益的筛选试验的脆弱性，但该方法可以应用于任何筛选试验，有成本差异的测量所需的特征。这项研究的结果将帮助卫生保健提供者通过提出的成本效益方法更好地筛查虚弱，该方法在准确性和成本之间取得了良好的平衡。gydF4y2Ba