مدل پیشبینی بستری مجدد در بیمارستان
- معرفیشده توسط
- Healthcare data analytics and outcomes research
- سال
- 1998
- نوع
- Logistic regression and machine learning methodology
- خانواده
- Predictive modeling, Patient risk stratification
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
مدلهای پیشبینی بستری مجدد در بیمارستان از تکنیکهای آماری و یادگیری ماشین برای شناسایی بیمارانی استفاده میکنند که در معرض خطر بالای بازگشت به بیمارستان مدت کوتاهی پس از ترخیص هستند. این مدلها برنامهریزی ترخیص و پیگیری هدفمند را برای بهبود پیامدها و کاهش هزینهها هدایت میکنند.
شهود پشت روش
بسیاری از بستریها قابل پیشگیری هستند: بیمارانی که بدون پیگیری کافی، مدیریت دارو، یا حمایت از خود مراقبتی ترخیص میشوند، به سرعت به بیمارستان بازمیگردند. بستری مجدد هزینه را افزایش میدهد (روزهای تکراری بستری) و به بیماران آسیب میرساند (عوارض، عفونتها، ضعف جسمانی). یک مدل پیشبینی، بیمارانی را که در بالاترین خطر هستند شناسایی میکند تا برنامهریزی ترخیص فشرده، پیگیری دقیق سرپایی، و خدمات بهداشت در منزل اولویتبندی شوند. این کار منابع پیشگیری پرهزینه را بر روی کسانی متمرکز میکند که بیشترین احتمال بهرهمندی را دارند.
تاریخ
تحقیقات پیشبینی بستری مجدد در دهه 2000 رشد کرد، زیرا پرداختکنندگان بستریهای مجدد را هم به عنوان یک معیار کیفیت و هم به عنوان یک عامل هزینه شناسایی کردند. مطالعه Jencks و همکاران در سال 2009 در NEJM نشان داد که 20% از بیماران Medicare در عرض 30 روز مجدداً بستری شدند، که علاقه ملی به پیشگیری را کاتالیز کرد. Krumholz و همکاران امتیاز HOSPITAL (ابزار سادهای که متغیرهای اداری را ترکیب میکند) را توسعه داده و به طور گستردهای اعتبار سنجی کردند. مدلهای مدرن به طور فزایندهای از یادگیری ماشین برای گنجاندن متغیرهای بیشتر و بهبود دقت استفاده میکنند، اگرچه قابلیت تفسیر یک چالش باقی میماند.
چه زمانی استفاده شود
از پیشبینی بستری مجدد زمانی استفاده کنید که دادههای ترخیص تاریخی بزرگ (>1000 ترخیص) و دادههای پیگیری خوب برای شناسایی بستریهای مجدد دارید. بیشترین ارزش را برای شرایط پرهزینه (نارسایی قلبی، ذاتالریه، جراحیهای بزرگ) دارد که در آن مداخله امکانپذیر و مقرون به صرفه است. اگر پیگیری بستری مجدد ناقص است (عدم توانایی در شناسایی همه بازگشتها)، اگر روشهای ترخیص به سرعت در حال تغییر هستند، یا اگر هدف اصلی پاسخگویی (نرخ بستری مجدد) به جای پیشگیری است، از آن اجتناب کنید.
محدودیتها و ملاحظات
- عملکرد مدل به کیفیت دادهها بستگی دارد؛ پیگیری ناقص یا بستریهای مجدد طبقهبندی شده نادرست، نتایج را سوگیری میکند.
- عوامل خطر در طول زمان تغییر میکنند (مثلاً، درمانهای جدید، تغییرات سیاست)؛ مدلها نیاز به کالیبراسیون مجدد دورهای دارند.
- اهداف پیشگیری را شناسایی نمیکند: دانستن اینکه یک بیمار پرخطر است، به معنای دانستن اینکه چه مداخلهای کمک میکند، نیست.
- نمرات خطر میانگینهای جمعیتی هستند؛ عوامل بیمار منفرد که در دادهها ثبت نشدهاند ممکن است پیشبینی را نادیده بگیرند.
- اجرا نیاز به یکپارچگی گردش کار دارد؛ پرچمهای پرخطر تنها در صورتی مؤثر هستند که پزشکان بر اساس آنها عمل کنند.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- بیماران پرخطر را به صورت عینی شناسایی میکند و قضاوت ذهنی پزشک را کاهش میدهد.
- منابع کمیاب پیشگیری (پیگیری فشرده، بهداشت در منزل) را بر روی بیماران با بالاترین نیاز متمرکز میکند.
- عملیاتی: خروجیهای مدل از تصمیمات برنامهریزی ترخیص در زمان واقعی پشتیبانی میکنند.
- با پیشگیری از عوارض مرتبط با ترخیص زودهنگام، پیامدهای بیمار را بهبود میبخشد.
- با پیشگیری از بستریهای مجدد پرهزینه، هزینهها را کاهش میدهد.
کاربردها
- علامتگذاری بیماران پرخطر در زمان ترخیص برای هماهنگی مراقبت فشرده، ارجاع به بهداشت در منزل، و پیگیری دقیق.
- ارزیابی اثربخشی مداخلات (کلینیکهای نارسایی قلبی، دستگاههای نظارت خانگی) با مقایسه نرخ بستری مجدد در گروههای پرخطر.
- تخصیص منابع برای برنامهریزی ترخیص: کدام واحدها و شرایط بیشترین بستریهای مجدد را ایجاد میکنند؟
- معیارگذاری کیفیت بیمارستان: مقایسه نرخ بستری مجدد در بیمارستانها با تعدیل برای ترکیب موارد با استفاده از مدلهای پیشبینی.
- حمایت از سلامت جمعیت: شناسایی بیماران ساکن جامعه در معرض خطر بستری مجدد قریبالوقوع برای اطلاعرسانی فعال.
چگونه کار میکند
چگونه کار میکند
استخراج دادهها از پروندههای الکترونیکی سلامت در مورد بستری اولیه: اطلاعات جمعیتی بیمار (سن، جنسیت)، شدت بالینی (مقادیر آزمایشگاهی، بیماریهای همراه، تشخیص پذیرش)، درمان (روشها، داروها)، و خلاصه ترخیص. پیگیری بیماران برای شناسایی بستریهای مجدد در عرض 30 روز (معیار استاندارد برای اندازهگیری کیفیت).
بستری مجدد را به وضوح تعریف کنید (بازگشت فوری به بیمارستان برای یک وضعیت حاد، نه بستریهای مجدد برنامهریزی شده برای اقدامات انتخابی). متغیرها را پاکسازی و استاندارد کنید. دادههای گمشده را مدیریت کنید (جایگزینی در مقابل حذف بر اساس الگوی گمشده بودن). متغیرهای مشتق شده ایجاد کنید (مثلاً، شاخص بیماریهای همراه از کدهای ICD).
تحلیل تکمتغیره را انجام دهید: ویژگیهای بیماران بستری مجدد در مقابل بیماران غیربستری مجدد را مقایسه کنید. متغیرهای مرتبط آماری با بستری مجدد را شناسایی کنید. همخطی و عوامل مخدوشکننده را ارزیابی کنید.
یک مدل رگرسیون لجستیک یا یادگیری ماشین (جنگل تصادفی، تقویت گرادیان) برای پیشبینی خطر بستری مجدد از ویژگیهای از پیش انتخاب شده بسازید. اعتبار سنجی را بر روی مجموعه داده آزمایشی نگه داشته شده (80% آموزش، 20% آزمون) انجام دهید. تمایز (AUC-ROC)، کالیبراسیون (خطر پیشبینی شده در مقابل خطر واقعی)، و کاربرد بالینی (حساسیت/ویژگی در آستانههای مختلف) را ارزیابی کنید.
نمرات خطر را برای بیماران منفرد تولید کنید. از نمرات برای علامتگذاری بیماران پرخطر برای مداخلات هدفمند استفاده کنید. رانش مدل را در طول زمان ارزیابی کرده و به صورت دورهای کالیبره مجدد کنید. ارزیابی کنید که آیا مداخله بر روی بیماران علامتگذاری شده بستریهای مجدد را کاهش میدهد.
دامهای رایج
- استفاده از بستری مجدد در بیمارستان به عنوان تنها پیامد؛ برخی بستریهای مجدد ضروری و مناسب هستند. تعدیل خطر برای ترکیب موارد ضروری است.
- بیشبرازش مدل به دادههای آموزشی؛ همیشه بر روی دادههای آزمایشی واقعاً نگه داشته شده اعتبار سنجی کنید. از اعتبارسنجی متقابل برای تخمین عملکرد در دنیای واقعی استفاده کنید.
- تکیه بر ضرایب رگرسیون برای درک علیت؛ همبستگی به معنای این نیست که تغییر متغیر، خطر را تغییر میدهد.
- نادیده گرفتن عدم تعادل کلاس: اگر تنها 10% بیماران مجدداً بستری شوند، یک مدل ساده که برای همه «عدم بستری مجدد» را پیشبینی میکند، 90% دقت دارد اما کاربرد آن صفر است.
- عدم نظارت بر عملکرد مدل پس از استقرار؛ با تغییر جمعیت بیماران یا روشهای ترخیص، کالیبراسیون مدل کاهش مییابد.
پرسشهای متداول
نرخ بستری مجدد 30 روزه چیست و چرا استاندارد است؟
نرخ بستری مجدد 30 روزه، درصد بیمارانی است که در عرض 30 روز پس از ترخیص در هر بیمارستانی مجدداً بستری میشوند. این معیار استاندارد است زیرا بستریهای مجددی را که احتمالاً با بستری اولیه و مدیریت قبلی مرتبط هستند، پوشش میدهد. برخی دستورالعملها از 7 روز یا 90 روز استفاده میکنند؛ بسته به وضعیت و زمینه سیاست متفاوت است.
چگونه بستریهای مجدد در بیمارستانهای مختلف را مدیریت کنم؟
در حالت ایدهآل، تمام بستریهای مجدد در بیمارستانهای منطقه را پیگیری کنید (نیاز به اشتراکگذاری دادهها یا ادعاهای پرداختکننده دارد). اگر محدود به مؤسسه خود هستید، اذعان کنید که بستریهای مجدد خارج از بیمارستان کمتر شناسایی میشوند، که ممکن است نتایج را سوگیری کند. در صورت موجود بودن از دادههای ادعا استفاده کنید.
کدام متغیرها بیشترین قدرت پیشبینی بستری مجدد را دارند؟
متغیرهای مهم به طور مداوم: سن، بیماریهای همراه (شاخص چارلسون)، ناهنجاریهای آزمایشگاهی (عملکرد کلیه)، تشخیص پذیرش (نارسایی قلبی، COPD، ذاتالریه، جراحی نرخ بستری مجدد بالایی دارند)، طول مدت بستری، و وضعیت ترخیص (رفتن به مرکز پرستاری ماهر در مقابل خانه). داروهای اخیر و عوامل اجتماعی (زندگی تنها، حمل و نقل) نیز مهم هستند اما اغلب اندازهگیری نمیشوند.
آیا باید از رگرسیون لجستیک یا یادگیری ماشین استفاده کنم؟
برای تفسیر و اجرا، رگرسیون لجستیک شفاف و برای بسیاری از کاربردها کافی است. یادگیری ماشین اغلب تمایز (AUC) را کمی بهبود میبخشد اما به قیمت قابلیت تفسیر. با رگرسیون لجستیک شروع کنید؛ اگر دادههای بزرگ دارید و به بهبودهای جزئی در دقت نیاز دارید، از یادگیری ماشین استفاده کنید.
چگونه یک نمره خطر را به اقدام بالینی ترجمه کنم؟
دستههای خطر (کم، متوسط، زیاد) را بر اساس توزیع نرخ بستری مجدد یا اجماع بالینی تعریف کنید. مداخلات را به هر دسته اختصاص دهید: بیماران کمخطر نیاز به ترخیص استاندارد دارند؛ بیماران پرخطر پیگیری فشرده (بهداشت در منزل، ویزیت کلینیک 48 ساعته، تماس تلفنی) دریافت میکنند. نظارت کنید که آیا مداخلات بستریهای مجدد واقعی را کاهش میدهد.
روشهای مرتبط
منابع
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.
باز کردن مرجع DOIکپی شد.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.
باز کردن مرجع انتشارکپی شد.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.
باز کردن مرجع DOIکپی شد.