糖尿病是一种慢性疾病，既需要自我管理，也需要长期管理。血糖控制不良会增加并发症的风险，包括心脑血管疾病以及大血管和微血管疾病，如肾病、视网膜病变和神经病变[gydF4y2B一个 1gydF4y2B一个-gydF4y2B一个 4gydF4y2B一个］．为了防止这些并发症的进展，坚持饮食、锻炼和药物治疗方案是必要的[gydF4y2B一个 5gydF4y2B一个］．不坚持服用药物已被证明会增加发病风险[gydF4y2B一个 4gydF4y2B一个和全因死亡率[gydF4y2B一个 6gydF4y2B一个］．gydF4y2B一个

停止治疗(TD)，定义为停止正常医疗护理，很可能导致血糖控制恶化和并发症进展[gydF4y2B一个 3.gydF4y2B一个，gydF4y2B一个 4gydF4y2B一个］．糖尿病患者的TD比率相当高，在英国从4%到19%不等[gydF4y2B一个 3.gydF4y2B一个，gydF4y2B一个 4gydF4y2B一个]，在美国为12%至50% [gydF4y2B一个 7gydF4y2B一个，gydF4y2B一个 8gydF4y2B一个]，日本为13.5%至56.9% [gydF4y2B一个 9gydF4y2B一个，gydF4y2B一个 10gydF4y2B一个］．此外，先前停止治疗的患者重复TD的风险比从未停止治疗的患者高3倍[gydF4y2B一个 11gydF4y2B一个］．gydF4y2B一个

预防TD在糖尿病管理中至关重要，一些研究对TD相关因素进行了统计分析[gydF4y2B一个 6gydF4y2B一个-gydF4y2B一个 8gydF4y2B一个，gydF4y2B一个 12gydF4y2B一个］．先前确定的因素包括年龄较轻[gydF4y2B一个 6gydF4y2B一个，gydF4y2B一个 13gydF4y2B一个，吸烟[gydF4y2B一个 6gydF4y2B一个，gydF4y2B一个 14gydF4y2B一个]，血糖控制不良[gydF4y2B一个 6gydF4y2B一个，gydF4y2B一个 13gydF4y2B一个，gydF4y2B一个 15gydF4y2B一个，gydF4y2B一个 16gydF4y2B一个，高血压[gydF4y2B一个 13gydF4y2B一个，肥胖[gydF4y2B一个 9gydF4y2B一个]、药物[gydF4y2B一个 12gydF4y2B一个，gydF4y2B一个 16gydF4y2B一个]，就业状况[gydF4y2B一个 8gydF4y2B一个，gydF4y2B一个 17gydF4y2B一个]，区域[gydF4y2B一个 18gydF4y2B一个]，交通障碍[gydF4y2B一个 7gydF4y2B一个，gydF4y2B一个 19gydF4y2B一个，gydF4y2B一个 20.gydF4y2B一个]、临床预约[gydF4y2B一个 20.gydF4y2B一个]，以及并发症[gydF4y2B一个 21gydF4y2B一个］．最常用的统计假设检验是gydF4y2B一个 tgydF4y2B一个检验和卡方检验。然而，一项回顾[gydF4y2B一个 22gydF4y2B一个]指出了与TD相关的多种多层次因素，但结果并不一致。对于临床医生来说，仔细辨别每个病人的TD风险仍然很困难。gydF4y2B一个

通过考虑各种各样的因素，机器学习(ML)可能有助于预测每个患者患TD的风险。统计重点gydF4y2B一个 用数据解释结果gydF4y2B一个，而ML专注于gydF4y2B一个 用数据预测结果gydF4y2B一个［gydF4y2B一个 23gydF4y2B一个］．尽管ML不能识别一致的因素，但它可以告诉临床医生谁是TD的高危患者。它可以帮助临床医生将花在识别高危患者上的时间转移到鼓励他们继续治疗上。根据Carreras-García等人的系统回顾[gydF4y2B一个 24gydF4y2B一个]，大多数研究将其模型设计为二元分类问题[gydF4y2B一个 25gydF4y2B一个，根据预约是否被遵守来分类预约。此外，最常用的模型是逻辑回归，最常用的指标是受试者工作特征曲线(AUROC)下面积。然而，由于二元分类输出了在预定时间后发生错过预约(MA)的概率，它在估计预约间隔不一致的患者TD风险的程度方面受到了限制。即使患者错过了预约，如果保持就诊频率，使其病情在之后没有恶化，患者的TD风险也会很低。MA是TD的必要条件，但不是充分条件。gydF4y2B一个

在本研究中，我们旨在开发一种通过ML计算TD风险的新方法。我们设计了TD的预测模型，作为数据不平衡的排序问题，以比较患者到TD的时间长度。排名问题[gydF4y2B一个 26gydF4y2B一个是生存时间分析的一个应用[gydF4y2B一个 27gydF4y2B一个］．考克斯回归[gydF4y2B一个 28gydF4y2B一个]通常用于统计分析，而在ML中则使用排名模型[gydF4y2B一个 29gydF4y2B一个-gydF4y2B一个 31gydF4y2B一个］．Cox回归是一种风险函数模型，其中解释变量对结果的影响是预先确定的，需要假设它们随时间保持不变[gydF4y2B一个 28gydF4y2B一个］．相比之下，排名模型不需要这种假设，并且灵活地使用变量。此外，由于考虑到学习模型对TD病例比对治疗持续(TC)病例有更大的偏见，因此基于不平衡数据的发现设计了抽样。gydF4y2B一个

本工作的贡献如下:gydF4y2B一个

该研究得到了东京大学医学院和医学院研究伦理委员会的批准(批准号:10705)，并根据《赫尔辛基宣言》进行。获得知情同意，并提供选择不参与的机会。gydF4y2B一个

所有数据来自东京大学医院的电子健康记录(EHRs)，其中包括7551名在2004年1月1日之后到该医院就诊的患者，他们的诊断代码显示有糖尿病。患者在训练和测试数据中的特点见gydF4y2B一个 表1gydF4y2B一个．gydF4y2B一个

这些数据记录于2012年9月3日至2016年1月29日之间。如gydF4y2B一个 图1gydF4y2B一个其中，2 / 3 (days: 828/1243, 66.6%)用于培训(2012年9月3日- 2014年5月17日)，其余1 / 3 (days: 415/1243, 33.4%)用于测试(2014年5月18日- 2016年1月29日)。用于训练的记录不用于测试，以确保同一患者不包括在两组。训练组共6509例(TD 204例)，试验组共1042例(TD 38例)。gydF4y2B一个

患者的TD定义为错过预定的临床预约和在患者就诊间隔至60天的平均天数的3倍内没有去医院就诊。每名患者两次就诊的平均天数由最近3天计算。换句话说，如果3倍的平均访问天数大于60天，则以60天作为阈值。否则，以3倍的平均访问天数作为阈值。gydF4y2B一个

其他研究将TD定义为超过特定时间阈值(1天至6个月)的住院次数不足[gydF4y2B一个 6gydF4y2B一个-gydF4y2B一个 8gydF4y2B一个，gydF4y2B一个 12gydF4y2B一个-gydF4y2B一个 21gydF4y2B一个］．当阈值设置为60天时，训练数据检出TD 336例，测试数据检出TD 65例，但就诊间隔越长越容易被判断为TD。为就诊间隔不一致的门诊患者设置适当的阈值并不容易。接下来，当阈值设置为3倍平均就诊天数时，训练数据中检测到218例TD，测试数据中检测到54例TD，但就诊间隔较短的患者更容易被判断为TD或被判断有TD风险。因此，我们在定义中包含了这两个条件。gydF4y2B一个

为了确保TD的准确检测，合作者之一的一名医生验证了上述定义的满足，并排除了患者死亡或护理环境改变的情况。gydF4y2B一个

用两种方法测量治疗时间。首先，TD (gydF4y2B一个 pgydF4y2B一个_{米gydF4y2B一个}tgydF4y2B一个_{米gydF4y2B一个})定义为从该日期算起的天数gydF4y2B一个 tgydF4y2B一个_{米gydF4y2B一个} 与患者因TD而错过的临床预约有关gydF4y2B一个 pgydF4y2B一个_{米gydF4y2B一个} 患有TD(或可能患有TD)的人。第二种方法，TC (gydF4y2B一个 pgydF4y2B一个_{ngydF4y2B一个}tgydF4y2B一个_{ngydF4y2B一个} )定义为从该日期算起的天数gydF4y2B一个 tgydF4y2B一个_{ngydF4y2B一个} 患者最近一次就诊记录gydF4y2B一个 pgydF4y2B一个_{ngydF4y2B一个} 他没有TD。gydF4y2B一个

例如，如图所示gydF4y2B一个 图2gydF4y2B一个在患者A的情况下，有30天gydF4y2B一个 tgydF4y2B一个_{一个gydF4y2B一个} 到最近一次有记录的访问，所以TC (gydF4y2B一个 pgydF4y2B一个_{一个gydF4y2B一个}tgydF4y2B一个_{一个gydF4y2B一个} )被定为30天。在病人C的例子中，有60天gydF4y2B一个 tgydF4y2B一个_{CgydF4y2B一个} 与TD相关的错过临床预约有关，因此TD (gydF4y2B一个 pgydF4y2B一个_{CgydF4y2B一个}tgydF4y2B一个_{CgydF4y2B一个} )被定为60天。gydF4y2B一个

的分类gydF4y2B一个 ygydF4y2B一个_{m, ngydF4y2B一个} 是基于一对治疗长度的差异。在这里,gydF4y2B一个 ygydF4y2B一个_{m, ngydF4y2B一个} =+1对TD (gydF4y2B一个 pgydF4y2B一个_{米gydF4y2B一个}tgydF4y2B一个_{米gydF4y2B一个} )给病人gydF4y2B一个 pgydF4y2B一个_{米gydF4y2B一个} 还有日期gydF4y2B一个 tgydF4y2B一个_{米gydF4y2B一个} 及TD (gydF4y2B一个 pgydF4y2B一个_{ngydF4y2B一个}tgydF4y2B一个_{ngydF4y2B一个} )给病人gydF4y2B一个 pgydF4y2B一个_{ngydF4y2B一个} 还有日期gydF4y2B一个 tgydF4y2B一个_{ngydF4y2B一个} 如果TD (gydF4y2B一个 pgydF4y2B一个_{米gydF4y2B一个}tgydF4y2B一个_{米gydF4y2B一个} )比TD (gydF4y2B一个 pgydF4y2B一个_{ngydF4y2B一个}tgydF4y2B一个_{ngydF4y2B一个}）gydF4y2B一个和一对TD (gydF4y2B一个 pgydF4y2B一个_{米gydF4y2B一个}tgydF4y2B一个_{米gydF4y2B一个} )及TC (gydF4y2B一个 pgydF4y2B一个_{ngydF4y2B一个}tgydF4y2B一个_{ngydF4y2B一个} )如果TD (gydF4y2B一个 pgydF4y2B一个_{米gydF4y2B一个}tgydF4y2B一个_{米gydF4y2B一个} )比TC (gydF4y2B一个 pgydF4y2B一个_{ngydF4y2B一个}tgydF4y2B一个_{ngydF4y2B一个} )．gydF4y2B一个 ygydF4y2B一个_{m, ngydF4y2B一个} = -1对TD (gydF4y2B一个 pgydF4y2B一个_{米gydF4y2B一个}tgydF4y2B一个_{米gydF4y2B一个} )及TD (gydF4y2B一个 pgydF4y2B一个_{ngydF4y2B一个}tgydF4y2B一个_{ngydF4y2B一个} )如果TD (gydF4y2B一个 pgydF4y2B一个_{米gydF4y2B一个}tgydF4y2B一个_{米gydF4y2B一个} )比TD (gydF4y2B一个 pgydF4y2B一个_{ngydF4y2B一个}tgydF4y2B一个_{ngydF4y2B一个} )及对TC (gydF4y2B一个 pgydF4y2B一个_{米gydF4y2B一个}tgydF4y2B一个_{米gydF4y2B一个} )及TD (gydF4y2B一个 pgydF4y2B一个_{ngydF4y2B一个}tgydF4y2B一个_{ngydF4y2B一个} )如果TC (gydF4y2B一个 pgydF4y2B一个_{米gydF4y2B一个}tgydF4y2B一个_{米gydF4y2B一个} )比TD (gydF4y2B一个 pgydF4y2B一个_{ngydF4y2B一个}tgydF4y2B一个_{ngydF4y2B一个} )．gydF4y2B一个

只有当患者有不同的时间直到TD，或当一个患者有TD和另一个患者有TC时，才进行分类，其中TC (gydF4y2B一个 pgydF4y2B一个_{ngydF4y2B一个}tgydF4y2B一个_{ngydF4y2B一个} )比TD (gydF4y2B一个 pgydF4y2B一个_{米gydF4y2B一个}tgydF4y2B一个_{米gydF4y2B一个} )．由于无法比较2例患者在TD前的时间差异，因此在其他情况下未进行分类。对于中所示的例子gydF4y2B一个 图2gydF4y2B一个，对TC (gydF4y2B一个 pgydF4y2B一个_{一个gydF4y2B一个}tgydF4y2B一个_{一个gydF4y2B一个} )及TD (gydF4y2B一个 pgydF4y2B一个_{DgydF4y2B一个}tgydF4y2B一个_{DgydF4y2B一个} )及TC (gydF4y2B一个 pgydF4y2B一个_{BgydF4y2B一个}tgydF4y2B一个_{BgydF4y2B一个} )及TD (gydF4y2B一个 pgydF4y2B一个_{DgydF4y2B一个}tgydF4y2B一个_{DgydF4y2B一个} )， tc (gydF4y2B一个 pgydF4y2B一个_{BgydF4y2B一个}tgydF4y2B一个_{BgydF4y2B一个} )及TD (gydF4y2B一个 pgydF4y2B一个_{CgydF4y2B一个}tgydF4y2B一个_{CgydF4y2B一个} )及TD (gydF4y2B一个 pgydF4y2B一个_{CgydF4y2B一个}tgydF4y2B一个_{CgydF4y2B一个} )及TD (gydF4y2B一个 pgydF4y2B一个_{DgydF4y2B一个}tgydF4y2B一个_{DgydF4y2B一个} )均设为−1。gydF4y2B一个

为了确保包含TD相关因素，我们设计了一个特征向量gydF4y2B一个 xgydF4y2B一个_{ngydF4y2B一个} 对病人gydF4y2B一个 pgydF4y2B一个_{ngydF4y2B一个} 在时间gydF4y2B一个 tgydF4y2B一个_{ngydF4y2B一个} ，表示从第一次就诊开始一直持续到就诊之前的临床状况gydF4y2B一个 tgydF4y2B一个_{ngydF4y2B一个} ．总共使用了149,699个特征，51,778个定性特征和97,921个定量特征。gydF4y2B一个 表2gydF4y2B一个描述用于预测的特性。gydF4y2B一个

我们使用3类表示来设计特征。第一个包括详细的人口统计和临床情况(性别、年龄、以前看过的医疗部门、诊断的疾病和处方药物)。它们有许多特征，其中大多数都是0值，导致非常稀疏的表示。gydF4y2B一个

第二类包括患者在每次就诊时识别TD风险的治疗过程中发生的变化。例如，我们使用了累计的医院就诊次数、处方时间、开出的药物数量、实验室结果、预约的星期几、预约的日期和预约日期之间的间隔，以及预约当天的天气情况。详细的医院就诊历史被包括在内，因为在我们之前的工作中，与预约时间和方式相关的特征影响了预测MAs的准确性[gydF4y2B一个 25gydF4y2B一个］．gydF4y2B一个

第三类数据来自EHR以外的公共数据库。例如，为了表示从病人的家到医院的距离，我们使用了地理信息系统并测量了距离和旅行时间。我们还使用了关于患者职业的信息。对各定量变量的观测值(如血液检测结果)进行线性变换(归一化)，使各变量的方差等于1。然后将转换后的变量赋值给向量。gydF4y2B一个

所有的特征都是通过从EHRs中获得的处理变量生成的。变量数量最多的类别是医药。提取药品名称、成分、单位、住院门诊类别、处方科室等原始分类变量。提取了原始的数值变量，如量、剂量和天数或次数。此外，结合类目变量和数字变量，如药名和数量对、药名和剂量对、药名和天数或次数对，生成新的数字变量。此外，还生成了药品名称对和住院门诊类别对、药品名称对和科室对等新的分类变量。特征数量第二多的类别是疾病。原始分类变量，如疾病名称;《国际疾病分类》第十版定义的疾病类别;治疗状况(正在治疗和康复中); and disease type (primary disease and secondary disease) were extracted. In addition, new categorical variables such as pairs of disease name and treatment status and pairs of disease name and disease type were generated. New numerical variables were also generated by counting the number of diseases that were under treatment and recovered for each disease category. The variables of the other categories were as follows. From the attribute category, categorical variables such as sex, names of regions and cities, insurance categories, and business-type categories were extracted. Numerical variables such as age and copayment rates were extracted. Distance and travel time were generated as new numerical variables using geographic information system from region and city names, as described in the third representation class. From the consultation category, categorical variables such as department, inpatient and outpatient category, and subject name of the reservation slot were extracted. Numerical variables such as time of arrival, appointment, clinic start, and clinic end were extracted. These time intervals were generated as new numerical variables. From the appointment category, categorical variables such as department and appointment status (new, change, and cancellation) were extracted. Numerical variables such as time of registration and reservation were extracted. The new numerical variables were generated, as described in the second representation class. From the laboratory and physiological tests categories, categorical variables such as test name, department, and inpatient and outpatient category were extracted. Numerical variables such as test values were extracted. From the surgery category, categorical variables such as operative name were extracted. From the nutritional guidance category, categorical variables such as department and inpatient and outpatient categories were extracted.

大多数特性都是通过以下3个步骤生成的。首先，从每个类别中提取原始变量，与它们记录的时间相关联，并分为类别变量(如诊断疾病的名称)和数字变量(如处方药物的数量)。其次，将分类变量进一步划分为原始分类变量和频率转换分类变量。第三，在不同窗口大小下计算原始分类变量的组合和频率变换分类变量的统计量，分别生成定性特征和定量特征。数值变量被转换为线性和对数尺度，它们的统计数据被计算与不同的窗口大小，以产生定量特征。特征生成使用4个统计量:最小值、最大值、平均值和标准差。为了将环境的最新趋势与TD风险评分联系起来，将目标时间前3个月、6个月和1年的时间段作为窗口大小。如果一个特征出现的时间比窗口大小短，还会添加一个分类变量来指示缺失的数据。gydF4y2Ba

例如，从属性类别中提取特征性别、年龄、地址和保险，以表示人口统计条件。性别特征由1个表征男性或女性的定性变量、3个表征其频率的定量变量和3个表征其缺失值的定性变量组成。性别变量的频率本身没有意义，但是因为它是一个变量，总是列在每个EHR中，所以它被用来表示窗口大小中的EHR数量。年龄特征由线性和对数两个定量变量组成。地址特征由患者从家到医院的距离和旅行时间2个尺度的4个统计量的48个定量变量组成，3个窗口大小，48个定性变量代表其缺失值，444个定量和定性变量代表地区和城市名称及其频率。保险特征由67个代表保险类别和业务类型类别的定性变量和3个代表共同支付费率的定量变量组成。gydF4y2B一个

建立了一种基于机器学习排序模型参数的输配电风险预测方法。有几种排名模型的目标函数设计[gydF4y2B一个 32gydF4y2B一个，gydF4y2B一个 33gydF4y2B一个］．特别是点向[gydF4y2B一个 26gydF4y2B一个]，成对地[gydF4y2B一个 34gydF4y2B一个-gydF4y2B一个 36gydF4y2B一个，以及listwise [gydF4y2B一个 37gydF4y2B一个，gydF4y2B一个 38gydF4y2B一个已经提出了许多方法。此外，一些学习算法已经被开发出来，包括使用逻辑回归、神经网络的算法[gydF4y2B一个 39gydF4y2B一个，以及boosting [gydF4y2B一个 40gydF4y2B一个］．gydF4y2B一个

我们在两两方法的基础上设计模型，并使用逻辑回归。两两方法是合适的，因为学习的唯一评级尺度是TD风险评分。选择逻辑回归是因为它是相关工作中最常用的方法[gydF4y2B一个 24gydF4y2B一个，因为它在我们以前的工作中使用过[gydF4y2B一个 25gydF4y2B一个］．gydF4y2B一个

我们假设患者TD的风险gydF4y2B一个 pgydF4y2B一个_{米gydF4y2B一个} 能从特征向量中计算出来吗gydF4y2B一个 xgydF4y2B一个_{米gydF4y2B一个} 它包含了到目前为止的各种患者信息gydF4y2B一个 tgydF4y2B一个_{米gydF4y2B一个} ．因此，我们假设标量TD风险可以用权重向量与特征向量的内积表示，即:gydF4y2B一个 wgydF4y2B一个⋅gydF4y2B一个 xgydF4y2B一个_{米gydF4y2B一个} ．得到权向量gydF4y2B一个 wgydF4y2B一个，我们建立了病人gydF4y2B一个 pgydF4y2B一个_{米gydF4y2B一个} 在时间gydF4y2B一个 tgydF4y2B一个_{米gydF4y2B一个} 是否会早于gydF4y2B一个 pgydF4y2B一个_{ngydF4y2B一个} 在gydF4y2B一个 tgydF4y2B一个_{ngydF4y2B一个} ,gydF4y2B一个 xgydF4y2B一个_{米gydF4y2B一个} 而且gydF4y2B一个 xgydF4y2B一个_{ngydF4y2B一个} 归因于gydF4y2B一个 ygydF4y2B一个_{m, ngydF4y2B一个} 用逻辑回归:gydF4y2B一个

的符号gydF4y2B一个 wgydF4y2B一个（gydF4y2B一个 xgydF4y2B一个_{米gydF4y2B一个}- xgydF4y2B一个_{ngydF4y2B一个} 的标量积gydF4y2B一个 wgydF4y2B一个而且gydF4y2B一个 xgydF4y2B一个_{米gydF4y2B一个}- xgydF4y2B一个_{ngydF4y2B一个} ．gydF4y2B一个

基于成对方法的排序方法需要成对数据来优化模型参数。一般来说,gydF4y2B一个 ngydF4y2B一个（gydF4y2B一个 ngydF4y2B一个-1)/2对gydF4y2B一个 ngydF4y2B一个没有审查的唱片。由于本研究中包含的截尾数据均为tc，因此所有的优化对都必须满足上述组合规则。还有一种担忧是，该模型对TD案例比TC案例有更大的偏见。根据调查文件[gydF4y2B一个 41gydF4y2B一个-gydF4y2B一个 43gydF4y2B一个在有偏差的数据上，抽样常常被尝试作为解决这一问题的一种方法[gydF4y2B一个 44gydF4y2B一个，gydF4y2B一个 45gydF4y2B一个］．我们采取每个患者采样1条记录的方法，防止对少数患者的偏见学习。当gydF4y2B一个 wgydF4y2B一个计算估计，我们随机选择1个记录日期的医院访问的每个病人，并使用该日期gydF4y2B一个 tgydF4y2B一个_{米gydF4y2B一个} 或gydF4y2B一个 tgydF4y2B一个_{ngydF4y2B一个} 作为TD或TC的起点，以计算TD (gydF4y2B一个 pgydF4y2B一个_{米gydF4y2B一个}tgydF4y2B一个_{米gydF4y2B一个} )或TC (gydF4y2B一个 pgydF4y2B一个_{ngydF4y2B一个}tgydF4y2B一个_{ngydF4y2B一个} )．训练数据中满足上述组合规则的所有配对数为867,574，测试数据为17,038。两两排序学习的计算复杂度为O(n)gydF4y2B一个^{2gydF4y2B一个})．抽样结果在计算成本略有降低。gydF4y2B一个

当训练数据大小，gydF4y2B一个 NgydF4y2B一个，小于特征向量的维数，或者当训练数据的抽样有偏差时，极大似然估计往往会使逻辑回归模型与训练数据过拟合，导致模型对许多新患者的排名不准确。我们使用l2范数正则化方法[gydF4y2B一个 23gydF4y2B一个]以缓解过拟合，并提高模型的可泛化性，正如我们在之前的研究中所做的[gydF4y2B一个 25gydF4y2B一个］．gydF4y2B一个

使用培训数据[(gydF4y2B一个 xgydF4y2B一个_{1gydF4y2B一个}，gydF4y2B一个 xgydF4y2B一个_{2gydF4y2B一个}，gydF4y2B一个 ygydF4y2B一个_{1、2gydF4y2B一个}),…, (gydF4y2B一个 xgydF4y2B一个_{1gydF4y2B一个}，gydF4y2B一个 xgydF4y2B一个_{NgydF4y2B一个}，gydF4y2B一个 ygydF4y2B一个_{1, NgydF4y2B一个}),…, (gydF4y2B一个 xgydF4y2B一个_{2gydF4y2B一个}，gydF4y2B一个 xgydF4y2B一个_{3.gydF4y2B一个}，gydF4y2B一个 ygydF4y2B一个_{2、3gydF4y2B一个}),…, (gydF4y2B一个 xgydF4y2B一个_{米gydF4y2B一个} ，gydF4y2B一个 xgydF4y2B一个_{ngydF4y2B一个} ，gydF4y2B一个 ygydF4y2B一个_{米gydF4y2B一个 ，gydF4y2B一个 ngydF4y2B一个} ),…, (gydF4y2B一个 xgydF4y2B一个_{n - 1gydF4y2B一个}，gydF4y2B一个 xgydF4y2B一个_{NgydF4y2B一个}，gydF4y2B一个 ygydF4y2B一个_{N - 1, NgydF4y2B一个})]，我们估计gydF4y2B一个 wgydF4y2B一个如下:gydF4y2B一个

²l2范数在哪里gydF4y2B一个 wgydF4y2B一个，gydF4y2B一个，是一个l2范数正则化器，它作为一个减轻惩罚，只对训练数据中经常出现的特征提供较大的绝对权重值。gydF4y2B一个

符号gydF4y2B一个 λgydF4y2B一个是一个用于正则化的超参数，其调优方式如下:将训练数据随机分成2组数据，用于2倍交叉验证测试;对于每一个测试，预测准确性评估用一组数据进行训练和另一组数据进行测试，用gydF4y2B一个 λgydF4y2B一个设置为0.1、0.2、0.5、1、2、5、10、20、50和100。的价值gydF4y2B一个 λgydF4y2B一个选择2个试验的平均预测精度最高的点。gydF4y2B一个

患者TD风险评分gydF4y2B一个 pgydF4y2B一个_{米gydF4y2B一个} 在时间gydF4y2B一个 tgydF4y2B一个_{米gydF4y2B一个} 是否由logit值表示gydF4y2B一个 wgydF4y2B一个⋅gydF4y2B一个 xgydF4y2B一个_{米gydF4y2B一个} ．TD风险值越高，预测TD发生的时间越早。gydF4y2B一个 图2gydF4y2B一个显示一个TD风险值的例子。gydF4y2B一个

我们在C和Python 3.7中实现了模型和ML优化，并在所有的实验中使用了它。gydF4y2B一个

详细的人口统计数据见gydF4y2B一个 表1gydF4y2B一个．训练组TD和TC患者的平均预约次数分别为4.8次和10.4次，试验组分别为3.1次和5.8次。分布上的差异是由于培训和测试数据是根据2014年5月17日之前是否有医院就诊史进行分类的，培训数据(828天)的持续时间大约是测试数据(415天)的两倍。此外，如图所示gydF4y2B一个 图3gydF4y2B一个，训练数据包括2012年9月3日之前住院的患者，2012年9月3日是实验的起点;因此，训练数据中的TC患者往往有更多的预约。相比之下，测试数据中的TC患者往往预约次数较少，因为这些数据仅限于2014年5月17日以来在该医院就诊的患者。然而，在培训和测试数据中，TD患者的预约数量都很低，因为TD患者通常就诊时间较短。TD和TC患者的平均MAs数在训练组分别为1.6和1.6，在试验组分别为1.2和1.3。gydF4y2B一个

的hyperparametergydF4y2B一个 λgydF4y2B一个通过2个交叉验证对机器学习排名模型进行优化，并在测试阶段将其设置为10。预测排名的c指数为正确排名的配对数除以可比较配对总数。在测试过程中，算法生成的TD风险评分表现良好，其c指数(95%置信限)为0.749(0.655,0.823)，优于Cox回归模型，其c指数(95%置信限)为0.662(0.574,0.748)。如Kaplan-Meier曲线所示gydF4y2B一个 图4gydF4y2B一个，它能够正确地模拟TD高危人群。校准风险评分≥0.5的患者中，10.3%(36/349)在100天内停止治疗;评分<0.5的患者中，93.9%(651/693)继续治疗1年以上。gydF4y2B一个

在本研究中使用的数据中，TD病例的数量比没有中断就诊的患者数量要少得多。由于在数据不平衡的情况下，仅用c指数进行验证可能不足以评估性能[gydF4y2B一个 45gydF4y2B一个，gydF4y2B一个 46gydF4y2B一个]，在AUROC的基础上使用AUPRC来评估风险评分是否能够预测特定时期的TD，如gydF4y2B一个 表3gydF4y2B一个．TD风险评分的AUROC和AUPRC均高于Cox回归模型。gydF4y2B一个

6个月内TD预测AUROC(95%置信限)为0.741 (0.641,0.833)，AUPRC(95%置信限)为0.335(0.193,0.499)。1年的平均值分别为0.758(0.649,0.857)和0.713(0.554,0.841)。gydF4y2B一个

随后，将TD风险评分转换为0 ~ 1的范围，以验证风险分层的效果。所示的校准图使用的测试数据gydF4y2B一个 图5gydF4y2B一个，观察TD率和预测TD率相对相关。这些结果表明TD风险评分可以为临床医生提供TD风险的提前信息，具有良好的预测性能，并通过提供干预空间以避免中断来改善患者的预后。gydF4y2B一个

对系数值最大的项进行检查，以检查是否存在泄漏，其中使用了意料之外的信息进行预测，降低了模型的性能。5个最高的和5个最低的项目显示在gydF4y2B一个 表4gydF4y2B一个．目前还很难讨论每个项目对预测的贡献的具体机制，但在前5个项目中，没有一个项目表明明显的泄漏。gydF4y2B一个

在这项研究中，我们使用从电子病历和先进的机器学习技术中提取的约15万个解释变量，生成了TD风险的预测模型。验证了模型预测的准确性。gydF4y2B一个

ML已被用于糖尿病研究的几乎所有方面，特别是在生物标志物识别和诊断预测[gydF4y2B一个 47gydF4y2B一个-gydF4y2B一个 50gydF4y2B一个］．预测就诊中断需要使用生存时间分析来建立模型。然而，很少有研究将ML用于此目的。在我们的研究中，为了避免Cox回归模型的比例风险假设和由于数据不平衡而导致的学习困难，我们实施了一种排名方法，并表明使用从训练数据中获得的参数为每个患者计算的分数对预测TD是有用的，如gydF4y2B一个 表3gydF4y2B一个．gydF4y2B一个

我们的方法是一种构建生存回归模型的新方法，我们的实验评估表明，它在c指数、AUROC和AUPRC度量方面优于现有的Cox模型，对于TD等不平衡数据将是一个有用的选择。在ci方面，所得的绩效水平并不显著优于Cox回归模型。尽管如此，它并不逊色。临床领域的许多预测任务要求使用生存时间分析的预测模型来处理不平衡的数据。我们的建模方法不需要Cox回归模型的比例风险假设，避免了从不平衡数据中学习的问题。它没有可变的假设，这允许我们使用大约15万个特征。因此，我们认为我们的方法是临床领域生存回归模型的一种新的选择。gydF4y2Ba

我们的研究有几个必须提到的重要局限性。首先，数据仅来自一家医院。此外，测试数据是通过分离来自一家医院的数据获得的。由于糖尿病护理的实施和程度不同，它们可能并不完全具有其他地区的代表性。因此，本研究的结果并不足以评估我们的方法的推广性;需要进行一项来自不同医院的更多数据的研究。gydF4y2B一个

其次，本研究中有TD病史的参与者仅代表了1个亚组患者。有些人可能会暂时停止治疗，我们无法在这项研究中捕获这些患者。此外，如果患者在没有通知的情况下换了诊所，并在EHR中没有任何证据的情况下继续在其他地方治疗，他们的病例将被判定为TD病例，即使这并不准确。尽管如此，由于这项研究依赖于电子病历信息，研究结果的目的是使用真实世界的数据评估模型的准确性。gydF4y2B一个

第三，我们的方法使用了大量的特征，并使用l2范数正则化器对它们进行优化，这使得很难找到对预测有重要贡献的特征。在未来，我们打算研究提高可解释性的方法，例如使用可解释的人工智能和Lasso正则化。gydF4y2B一个

第四，在预定义的过程中产生了大量的特征，没有充分考虑每个特征本身的内在趋势和意义。需要对特征进行更适当的设计，以提高结果的可解释性。gydF4y2B一个

第五，我们的方法优于二元分类模型，因为它可以比较患者TD的风险与TD的剩余时间。然而，它需要O(ngydF4y2B一个^{2gydF4y2B一个})对学习模型参数，而二元分类对n个训练数据只需要O(n)条记录。我们需要减少计算成本。gydF4y2B一个

最后，应该注意的是，由于ML通常反映了大多数人的特征，我们的结果表明，本研究中获得的预测性能不能应用于人群中的少数群体，如儿科患者。gydF4y2B一个

我们开发了一种新的预测模型，通过将机器学习的排名模型应用到EHR数据中来计算TD风险评分。该评分具有较高的预测性能，优于Cox回归模型。我们的模型可以提前提醒临床医生TD的风险，并通过提供干预空间来避免中断和支持糖尿病治疗，有助于改善患者的预后。除了估计TD风险评分，我们正在研究预测糖尿病患者血糖控制的方法，以进一步改善他们的护理。gydF4y2B一个