الانتقال إلى المحتوى
العودة إلى نتائج البحث

نموذج التنبؤ بإعادة إدخال المرضى إلى المستشفى

قدّمه
Healthcare data analytics and outcomes research
السنة
1998
النوع
Logistic regression and machine learning methodology
العائلة
Predictive modeling, Patient risk stratification

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

تستخدم نماذج التنبؤ بإعادة إدخال المرضى إلى المستشفى تقنيات إحصائية وتعلم آلي لتحديد المرضى المعرضين لخطر كبير للعودة إلى المستشفى بعد فترة وجيزة من الخروج. توجه هذه النماذج التخطيط المستهدف للخروج والمتابعة لتحسين النتائج وتقليل التكاليف.

الفكرة الحدسية وراء الطريقة

العديد من حالات الاستشفاء يمكن الوقاية منها: المرضى الذين يخرجون دون متابعة كافية، أو إدارة الأدوية، أو دعم الرعاية الذاتية يعودون بسرعة إلى المستشفى. تزيد إعادة الإدخال من التكاليف (أيام المستشفى المكررة) وتضر بالمرضى (مضاعفات، عدوى، تدهور الحالة). يحدد نموذج التنبؤ المرضى الأكثر عرضة للخطر حتى يمكن إعطاء الأولوية لتخطيط الخروج المكثف، والمتابعة الوثيقة في العيادات الخارجية، وخدمات الصحة المنزلية. هذا يركز موارد الوقاية المكلفة على أولئك الأكثر احتمالاً للاستفادة.

التاريخ

نما بحث التنبؤ بإعادة الإدخال في العقد الأول من القرن الحادي والعشرين عندما أدرك الدافعون أن إعادة الإدخال هي مقياس جودة ومحرك للتكاليف. أظهرت دراسة Jencks وزملاؤه في عام 2009 في NEJM أن 20٪ من مرضى Medicare أعيد إدخالهم في غضون 30 يومًا، مما حفز الاهتمام الوطني بالوقاية. طور Krumholz وزملاؤه مقياس HOSPITAL (أداة بسيطة تجمع بين المتغيرات الإدارية) وتحققوا من صحتها على نطاق واسع. تستخدم النماذج الحديثة بشكل متزايد التعلم الآلي لدمج المزيد من المتغيرات وتحسين الدقة، على الرغم من أن قابلية التفسير لا تزال تمثل تحديًا.

متى تُستخدم

استخدام التنبؤ بإعادة الإدخال عندما يكون لديك بيانات خروج تاريخية كبيرة (> 1000 حالة خروج) وبيانات متابعة جيدة لتحديد إعادة الإدخال. الأكثر قيمة للحالات ذات التكلفة العالية (فشل القلب، الالتهاب الرئوي، الجراحة الكبرى) حيث يكون التدخل ممكنًا وفعالًا من حيث التكلفة. تجنب استخدامه إذا كانت متابعة إعادة الإدخال غير مكتملة (عدم القدرة على اكتشاف جميع العودات)، أو إذا كانت ممارسات الخروج تتغير بسرعة، أو إذا كان الهدف الأساسي هو المساءلة (معدلات إعادة الإدخال) بدلاً من الوقاية.

الحدود والاعتبارات

  • يعتمد أداء النموذج على جودة البيانات؛ المتابعة غير المكتملة أو إعادة الإدخال المصنفة بشكل خاطئ تحيز النتائج
  • تتغير عوامل الخطر بمرور الوقت (مثل، العلاجات الجديدة، التغييرات في السياسات)؛ تتطلب النماذج إعادة معايرة دورية
  • لا يحدد أهداف الوقاية: معرفة أن المريض معرض لخطر كبير لا يعني معرفة التدخل الذي يساعد
  • درجات المخاطر هي متوسطات سكانية؛ قد تتجاوز عوامل المريض الفردية غير الملتقطة في البيانات التنبؤ
  • يتطلب التنفيذ تكامل سير العمل؛ العلامات التحذيرية للخطر العالي فعالة فقط إذا تصرف الأطباء بناءً عليها

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • يحدد المرضى المعرضين لخطر كبير بشكل موضوعي، مما يقلل من حكم الطبيب الذاتي
  • يركز موارد الوقاية الشحيحة (المتابعة المكثفة، الصحة المنزلية) على المرضى الأكثر احتياجًا
  • قابل للتنفيذ: مخرجات النموذج تدعم قرارات تخطيط الخروج في الوقت الفعلي
  • يحسن نتائج المرضى عن طريق منع المضاعفات المرتبطة بالخروج المبكر
  • يقلل التكاليف عن طريق منع إعادة الإدخال المكلفة

التطبيقات

  • تحديد المرضى المعرضين لخطر كبير عند الخروج لتنسيق الرعاية المكثف، والإحالة إلى الصحة المنزلية، والمتابعة الوثيقة
  • تقييم فعالية التدخلات (عيادات قصور القلب، أجهزة المراقبة المنزلية) عن طريق مقارنة معدلات إعادة الإدخال في مجموعات المرضى المعرضين لخطر كبير
  • تخصيص الموارد لتخطيط الخروج: أي الوحدات والحالات تسبب معظم عمليات إعادة الإدخال؟
  • قياس جودة المستشفى: مقارنة معدلات إعادة الإدخال عبر المستشفيات مع تعديل مزيج الحالات باستخدام نماذج التنبؤ
  • دعم صحة السكان: تحديد المرضى المقيمين في المجتمع المعرضين لخطر إعادة الإدخال الوشيك للتواصل الاستباقي

كيف يعمل

كيف يعمل

1

استخراج البيانات من السجلات الصحية الإلكترونية حول الاستشفاء الأولي: التركيبة السكانية للمريض (العمر، الجنس)، الشدة السريرية (القيم المخبرية، الأمراض المصاحبة، تشخيص الدخول)، العلاج (الإجراءات، الأدوية)، وملخص الخروج. متابعة المرضى لتحديد إعادة الإدخال في غضون 30 يومًا (مقياس معياري لقياس الجودة).

2

تحديد إعادة الإدخال بوضوح (عودة عاجلة إلى المستشفى لحالة حادة، وليس إعادة إدخال مجدولة لإجراءات اختيارية). تنظيف وتوحيد المتغيرات. التعامل مع البيانات المفقودة (الاستكمال مقابل الحذف بناءً على نمط الفقدان). إنشاء متغيرات مشتقة (مثل، مؤشر الأمراض المصاحبة من رموز ICD).

3

إجراء تحليل أحادي المتغير: مقارنة خصائص المرضى الذين أعيد إدخالهم مقابل المرضى الذين لم يعاد إدخالهم. تحديد المتغيرات المرتبطة إحصائيًا بإعادة الإدخال. تقييم الارتباط الخطي والتداخل.

4

بناء نموذج انحدار لوجستي أو تعلم آلي (غابة عشوائية، تعزيز متدرج) يتنبأ بخطر إعادة الإدخال من الميزات المحددة مسبقًا. التحقق من صحة النموذج على مجموعة اختبار منفصلة (80٪ تدريب، 20٪ اختبار). تقييم التمييز (AUC-ROC)، والمعايرة (الخطر المتوقع مقابل الفعلي)، والفائدة السريرية (الحساسية/النوعية عند عتبات مختلفة).

5

إنشاء درجات مخاطر للمرضى الأفراد. استخدام الدرجات لتحديد المرضى المعرضين لخطر كبير للتدخلات المستهدفة. تقييم انحراف النموذج بمرور الوقت وإعادة معايرته بشكل دوري. تقييم ما إذا كان التدخل على المرضى المحددين يقلل من إعادة الإدخال.

الأخطاء الشائعة

  • استخدام إعادة إدخال المستشفى كمقياس نتيجة وحيد؛ بعض عمليات إعادة الإدخال ضرورية ومناسبة. تعديل المخاطر حسب مزيج الحالات أمر ضروري.
  • الإفراط في ملاءمة النموذج لبيانات التدريب؛ تحقق دائمًا من صحة البيانات على بيانات اختبار منفصلة تمامًا. استخدم التحقق المتقاطع لتقدير الأداء في العالم الحقيقي.
  • الاعتماد على معاملات الانحدار لفهم السببية؛ الارتباط لا يعني أن تغيير المتغير يغير الخطر
  • تجاهل عدم توازن الفئات: إذا كان 10٪ فقط من المرضى يعاد إدخالهم، فإن نموذجًا بسيطًا يتنبأ بـ 'عدم إعادة الإدخال' للجميع يحقق دقة 90٪ ولكنه عديم الفائدة
  • الفشل في مراقبة أداء النموذج بعد النشر؛ مع تغير مجموعات المرضى أو ممارسات الخروج، تتدهور معايرة النموذج

الأسئلة الشائعة

ما هو معدل إعادة الإدخال لمدة 30 يومًا ولماذا هو المعيار؟

معدل إعادة الإدخال لمدة 30 يومًا هو نسبة المرضى الذين يعاد إدخالهم إلى أي مستشفى في غضون 30 يومًا من الخروج. إنه المقياس المعياري لأنه يلتقط عمليات إعادة الإدخال التي من المحتمل أن تكون مرتبطة بالاستشفاء الأولي والإدارة السابقة. تستخدم بعض الإرشادات 7 أيام أو 90 يومًا؛ تختلف حسب الحالة وسياق السياسة.

كيف أتعامل مع إعادة الإدخال إلى مستشفيات مختلفة؟

من الناحية المثالية، تتبع جميع عمليات إعادة الإدخال عبر المستشفيات في المنطقة (يتطلب مشاركة البيانات أو مطالبات الدافعين). إذا اقتصر الأمر على مؤسستك، فاعترف بأن عمليات إعادة الإدخال خارج المستشفى غير مكتشفة، مما قد يحيز النتائج. استخدم بيانات المطالبات إذا كانت متاحة.

ما هي المتغيرات الأكثر تنبؤًا بإعادة الإدخال؟

المتغيرات المهمة باستمرار: العمر، الأمراض المصاحبة (مؤشر Charlson)، التشوهات المخبرية (وظائف الكلى)، تشخيص الدخول (فشل القلب، COPD، الالتهاب الرئوي، الجراحة لها معدلات إعادة إدخال عالية)، مدة الإقامة، ومصير الخروج (الانتقال إلى مرفق تمريض ماهر مقابل المنزل). الأدوية الحديثة والعوامل الاجتماعية (العيش بمفرد، النقل) مهمة أيضًا ولكن غالبًا ما تكون غير مقاسة.

هل يجب أن أستخدم الانحدار اللوجستي أم التعلم الآلي؟

للتفسير والتنفيذ، الانحدار اللوجستي شفاف وكافٍ للعديد من التطبيقات. غالبًا ما يحسن التعلم الآلي التمييز (AUC) قليلاً ولكن بتكلفة قابلية التفسير. ابدأ بالانحدار اللوجستي؛ استخدم التعلم الآلي إذا كان لديك بيانات كبيرة وتحتاج إلى تحسينات هامشية في الدقة.

كيف أترجم درجة المخاطر إلى إجراء سريري؟

حدد فئات المخاطر (منخفضة، متوسطة، عالية) بناءً على توزيع معدل إعادة الإدخال أو الإجماع السريري. قم بتعيين التدخلات لكل فئة: يحتاج المرضى ذوو المخاطر المنخفضة إلى الخروج القياسي؛ يحصل المرضى ذوو المخاطر العالية على متابعة مكثفة (الصحة المنزلية، زيارة العيادة خلال 48 ساعة، الاتصال الهاتفي). راقب ما إذا كانت التدخلات تقلل من عمليات إعادة الإدخال الفعلية.

طرق ذات صلة

المصادر

  1. Jencks, S. F., Williams, M. V., & Coleman, E. A. (2009). Rehospitalizations among patients in the Medicare fee-for-service program. New England Journal of Medicine, 360(14), 1418–1428.

    افتح مرجع DOI
    تم النسخ.
  2. Krumholz, H. M., Normand, S. L. T., & Wang, Y. (2014). Trends in hospitalizations and outcomes for acute myocardial infarction, 2006 to 2011. Circulation, 132(4), 362–366.

    افتح مرجع المنشور
    تم النسخ.
  3. Philbin, E. F., & DiSalvo, T. G. (1998). Prediction of hospital readmissions for heart failure: development of a simple risk score based on administrative data. Journal of the American College of Cardiology, 33(6), 1560–1566.

    افتح مرجع DOI
    تم النسخ.