1
Hospital inputsקלט בית חולים
- Demographics
- Vital signs
- Laboratory results
- Comorbidities
- Habits and home medications
- דמוגרפיה
- מדדים חיוניים
- בדיקות מעבדה
- מחלות רקע
- הרגלים ותרופות קבועות
End-to-end model architecture
This diagram reflects the implemented hospital training path in the repository. The final hospital coefficients and performance are not yet available because hospital data have not yet been supplied.
ארכיטקטורת המודל מקצה לקצה
התרשים משקף את מסלול האימון הממומש במאגר. המקדמים והביצועים הסופיים בבית החולים עדיין אינם זמינים, משום שטרם התקבל מאגר בית החולים.
Research statusThe architecture is implemented, but the hospital model has not yet been fitted, calibrated or externally validated. It must not be used for patient-care decisions.
מצב מחקריהארכיטקטורה ממומשת, אך מודל בית החולים טרם אומן, כויל או עבר אימות חיצוני. אין להשתמש בו לקבלת החלטות רפואיות.
→
2
Eligibility gateשער זכאות
- Adult encounter
- Documented acute pancreatitis
- Lipase or amylase ≥3× ULN
- Outcome follow-up available
- At least 8/16 core groups
- אשפוז של בגיר
- אבחנת AP מתועדת
- ליפאז או עמילאז ≥3× ULN
- מעקב תוצא זמין
- לפחות 8/16 קבוצות ליבה
→
3
Canonical preparationהכנה קנונית
- SI/legacy unit reconciliation
- BMI and MAP
- Shock index
- NLR
- CRP/albumin
- Lipase/ULN and amylase/ULN
- איחוד יחידות SI ויחידות ישנות
- BMI ו־MAP
- Shock Index
- NLR
- יחס CRP/אלבומין
- יחסי אנזים/ULN
→
4
Feature contractחוזה מאפיינים
- Candidate predictors only
- Primary availability ≥80%
- Outcomes and post-window treatment removed
- Numeric and categorical lists frozen
- משתני ניבוי בלבד
- זמינות ראשית ≥80%
- הסרת תוצאים וטיפול לאחר החלון
- הקפאת רשימות מספריות וקטגוריאליות
→
5
Stratified 5-fold CVCV מרובד ב־5 קפלים
- Shuffle with fixed seed
- Preprocessing fitted only on training fold
- Out-of-fold probabilities retained
- No whole-dataset imputation
- ערבוב עם seed קבוע
- עיבוד מותאם רק על קפל האימון
- שמירת הסתברויות Out-of-Fold
- ללא אימפוטציה על כל המאגר
→
6
Balanced classifierמסווג מאוזן
- Logistic regression baseline
- Class weight: balanced
- Solver: liblinear
- Maximum 3,000 iterations
- Binary severe-AP probability
- בסיס Logistic Regression
- Class weight מאוזן
- Solver מסוג liblinear
- עד 3,000 איטרציות
- הסתברות בינארית ל־SAP
→
7
Threshold and bundleסף וחבילת מודל
- Target sensitivity: 98%
- Maximise specificity among eligible thresholds
- Fit final pipeline on development cohort
- Store features, threshold, availability and metrics
- רגישות יעד: 98%
- מקסום סגוליות בין הספים המתאימים
- אימון Pipeline סופי על עוקבת הפיתוח
- שמירת מאפיינים, סף, זמינות ומדדים
Preprocessing branches inside every training foldענפי עיבוד מקדים בתוך כל קפל אימון
🔢 Numeric branchענף מספרי
Raw numeric fieldsשדות מספריים גולמיים
→
Median imputationאימפוטציית חציון
→
Missing indicatorsדגלי חוסר
→
StandardScaler
🔤 Categorical branchענף קטגוריאלי
Raw categoriesקטגוריות גולמיות
→
Most-frequent imputationאימפוטציית השכיח
→
OneHotEncoder
→
Unknown values ignoredהתעלמות מערכים חדשים
Hospital record
→ eligibility + completeness audit
→ canonical units + derived features
→ availability-based feature selection
→ StratifiedKFold(5)
→ numeric: median imputer + missing indicators + scaling
→ categorical: most-frequent imputer + one-hot encoding
→ LogisticRegression(class_weight="balanced", solver="liblinear")
→ out-of-fold probabilities
→ threshold targeting sensitivity ≥ 0.98
→ final serialised model bundle
→ /predict: severe-AP probability + thresholded risk group
Exact implementation contract
The architecture deliberately distinguishes essential cohort fields from predictors and prevents outcome or treatment leakage.
חוזה המימוש המדויק
הארכיטקטורה מפרידה בכוונה בין שדות הכרחיים להגדרת העוקבה לבין משתני ניבוי, ומונעת דליפת תוצאים או טיפול.
| Componentרכיב | Implemented designמימוש | Reasonסיבה |
|---|---|---|
| Input window | First 24 hours from T0 | Keeps prediction temporally defined.מגדיר במדויק את זמן התחזית. |
| Imaging | Not required | The current hospital dataset specification has no structured imaging fields.במפרט הנוכחי אין שדות הדמיה מובנים. |
| Feature selection | Availability threshold, default 0.80 | Avoids building the primary model around rarely ordered tests.מונע תלות של המודל הראשי בבדיקות נדירות. |
| Numeric missingness | Median + missing indicator | Retains partial cases and preserves whether a value was absent.משמר מקרים חלקיים ואת עצם היעדר הערך. |
| Categorical missingness | Most frequent + one-hot | Provides a reproducible baseline for structured categories.מספק בסיס ניתן לשחזור למשתנים קטגוריאליים. |
| Classifier | Balanced logistic regression | Interpretable, stable baseline before comparing more complex models.בסיס פרשני ויציב לפני השוואה למודלים מורכבים יותר. |
| Validation | Out-of-fold predictions from stratified 5-fold CV | Threshold selection is based on held-out fold predictions.בחירת הסף מבוססת על תחזיות מקפלים שלא שימשו לאימון. |
| Operating point | Target sensitivity 0.98; maximise specificity | Prioritises a high-sensitivity research operating point.מעדיף נקודת הפעלה מחקרית בעלת רגישות גבוהה. |
| Runtime safety | No trained bundle → HTTP 503 | Prevents an untrained heuristic from appearing as a validated hospital model.מונע הצגת נוסחה לא מאומנת כמודל בית חולים תקף. |
Derived features and safeguards
Feature engineering is deterministic and fitted values are kept separate from clinical outcome fields.
מאפיינים נגזרים ואמצעי הגנה
הנדסת המאפיינים דטרמיניסטית, וערכי הניבוי נשמרים בנפרד משדות התוצא הקליניים.
📐
Unit normalisationנרמול יחידות
Urea/BUN, creatinine, glucose, calcium, albumin, bilirubin and triglycerides can be reconciled between SI and legacy units.ניתן לאחד אוראה/BUN, קריאטינין, גלוקוז, סידן, אלבומין, בילירובין וטריגליצרידים בין יחידות SI ליחידות ישנות.
➗
Ratiosיחסים
NLR, CRP/albumin, lipase/ULN, amylase/ULN and shock index.
🧮
Calculated measuresמדדים מחושבים
BMI and mean arterial pressure are derived only when their required source measurements are present.
🚫
Leakage exclusionsהחרגות למניעת דליפה
Persistent organ failure, ICU admission, later ventilation, renal replacement therapy, length of stay, mortality and discharge disposition are not predictors.כשל איברים מתמשך, טיפול נמרץ, הנשמה מאוחרת, דיאליזה, משך אשפוז, תמותה ויעד שחרור אינם משתני ניבוי.
🧾
Audit outputsפלטי ביקורת
Case eligibility, core coverage, selected features, feature availability, threshold and metrics are exported.מיוצאים זכאות המקרה, כיסוי הליבה, המאפיינים שנבחרו, זמינותם, הסף והמדדים.
📊
Reported metricsמדדים מדווחים
Out-of-fold AUROC, average precision, F1, F2, sensitivity, specificity and confusion-matrix counts.
Hospital baseline versus public-data experiments
The implemented hospital path starts with an interpretable logistic-regression baseline. Other algorithms remain exploratory comparisons until they are retrained and evaluated under the same hospital pipeline.
בסיס בית החולים לעומת ניסויים בנתונים ציבוריים
מסלול בית החולים הממומש מתחיל ב־Logistic Regression פרשני. אלגוריתמים אחרים נשארים השוואות חקרניות עד שיאומנו וייבדקו מחדש תחת אותו Pipeline בית חולים.
| Model familyמשפחת מודל | Current roleתפקיד נוכחי | Hospital deployment statusמצב פריסה בבית חולים |
|---|---|---|
| Balanced Logistic Regression | Implemented primary hospital baselineבסיס בית החולים הראשי הממומש | Awaiting hospital trainingממתין לאימון |
| Random Forest / Gradient Boosting | Exploratory public-cohort comparisonהשוואה חקרנית בעוקבה ציבורית | Not fitted locallyלא אומן מקומית |
| XGBoost / LightGBM / CatBoost | Exploratory GBDT comparisonהשוואת GBDT חקרנית | Not fitted locallyלא אומן מקומית |
| MLP / Residual MLP / Attention MLP | Exploratory neural comparisonהשוואה נוירונית חקרנית | Not fitted locallyלא אומן מקומית |
| NGBoost / EBM | Exploratory probabilistic and interpretable comparisonהשוואה חקרנית הסתברותית ופרשנית | Not fitted locallyלא אומן מקומית |
Why start with logistic regression?It provides a transparent, regularised baseline for checking the cohort definition, units, missingness patterns, calibration and threshold policy before introducing higher-capacity models.
מדוע להתחיל ב־Logistic Regression?הוא מספק בסיס שקוף ויציב לבדיקת הגדרת העוקבה, היחידות, דפוסי החוסר, הכיול ומדיניות הסף לפני הכנסת מודלים בעלי קיבולת גבוהה יותר.
Inference architecture
The online research API applies the fitted feature contract rather than rebuilding preprocessing from request data.
ארכיטקטורת החיזוי
ה־API המחקרי המקוון מפעיל את חוזה המאפיינים שאומן, במקום לבנות עיבוד מקדים מחדש מנתוני הבקשה.
1️⃣
Validate requestבדיקת הבקשה
Adult age, documented AP, enzyme criterion, 8/16 coverage and presence of vital and laboratory information.גיל בגיר, AP מתועד, קריטריון אנזימים, כיסוי 8/16 ונוכחות מידע חיוני ומעבדתי.
2️⃣
Rebuild canonical featuresבניית מאפיינים קנוניים
Normalise units and calculate the same deterministic derived variables used during training.נרמול יחידות וחישוב אותם משתנים נגזרים דטרמיניסטיים ששימשו באימון.
3️⃣
Enforce fitted feature orderאכיפת סדר המאפיינים
Missing fitted fields remain missing and are handled by the stored pipeline.מאפיינים חסרים נשארים חסרים ומטופלים על ידי ה־Pipeline השמור.
4️⃣
Generate probabilityיצירת הסתברות
The serialised estimator returns a severe-AP probability.המסווג השמור מחזיר הסתברות ל־SAP.
5️⃣
Apply stored thresholdהפעלת הסף השמור
The bundle threshold creates the research risk group; it is not a treatment recommendation.סף החבילה יוצר קבוצת סיכון מחקרית ואינו המלצת טיפול.
🛑
Fail safelyכשל בטוח
When no trained hospital bundle is configured, the endpoint returns HTTP 503.כאשר לא הוגדרה חבילת מודל מאומנת, נקודת הקצה מחזירה HTTP 503.
Next step: train on a governed hospital cohortהשלב הבא: אימון על עוקבת בית חולים תחת ממשל נתונים
The architecture is ready for local mapping, feasibility analysis, retrospective training, calibration and external validation under hospital and ethics oversight.
הארכיטקטורה מוכנה למיפוי מקומי, בדיקת היתכנות, אימון רטרוספקטיבי, כיול ואימות חיצוני תחת פיקוח בית החולים והוועדה האתית.