Skip to content
Kembali ke hasil pencarian

Model Prediksi Readmisi Rumah Sakit

Diperkenalkan oleh
Healthcare data analytics and outcomes research
Tahun
1998
Jenis
Logistic regression and machine learning methodology
Keluarga
Predictive modeling, Patient risk stratification

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Model prediksi readmisi rumah sakit menggunakan teknik statistik dan pembelajaran mesin untuk mengidentifikasi pasien berisiko tinggi kembali ke rumah sakit segera setelah keluar.

Model-model ini memandu perencanaan pemulangan yang ditargetkan dan tindak lanjut untuk meningkatkan hasil dan mengurangi biaya.

Intuisi di balik metode

Banyak rawat inap dapat dicegah: pasien yang dipulangkan tanpa tindak lanjut yang memadai, manajemen obat, atau dukungan perawatan diri kembali dengan cepat ke rumah sakit. Readmisi meningkatkan biaya (hari rawat inap duplikat) dan merugikan pasien (komplikasi, infeksi, deconditioning). Model prediksi mengidentifikasi pasien mana yang paling berisiko sehingga perencanaan pemulangan intensif, tindak lanjut rawat jalan yang cermat, dan layanan kesehatan di rumah dapat diprioritaskan. Ini memusatkan sumber daya pencegahan yang mahal pada mereka yang paling mungkin mendapat manfaat.

Sejarah

Penelitian prediksi readmisi tumbuh pada tahun 2000-an ketika pembayar mengakui readmisi sebagai metrik kualitas dan pendorong biaya. Studi Jencks dan rekan pada tahun 2009 di NEJM menunjukkan bahwa 20% pasien Medicare readmisi dalam waktu 30 hari, mengkatalisasi minat nasional dalam pencegahan. Krumholz dan rekan mengembangkan skor HOSPITAL (alat sederhana yang menggabungkan variabel administratif) dan memvalidasinya secara luas. Model modern semakin menggunakan pembelajaran mesin untuk memasukkan lebih banyak variabel dan meningkatkan akurasi, meskipun interpretasi tetap menjadi tantangan.

Kapan digunakan

Gunakan prediksi readmisi ketika Anda memiliki data pemulangan historis yang besar (>1000 pemulangan) dan data tindak lanjut yang baik untuk mengidentifikasi readmisi. Paling berharga untuk kondisi berbiaya tinggi (gagal jantung, pneumonia, operasi besar) di mana intervensi layak dan hemat biaya. Hindari jika tindak lanjut readmisi tidak lengkap (ketidakmampuan mendeteksi semua kembali), jika praktik pemulangan berubah dengan cepat, atau jika tujuan utama adalah akuntabilitas (tingkat readmisi) daripada pencegahan.

Batasan dan pertimbangan

  • Kinerja model bergantung pada kualitas data; tindak lanjut yang tidak lengkap atau readmisi yang salah klasifikasi membiaskan hasil
  • Faktor risiko berubah seiring waktu (misalnya, pengobatan baru, perubahan kebijakan); model memerlukan kalibrasi ulang berkala
  • Tidak mengidentifikasi target pencegahan: mengetahui pasien berisiko tinggi tidak sama dengan mengetahui intervensi apa yang membantu
  • Skor risiko adalah rata-rata populasi; faktor pasien individu yang tidak tertangkap dalam data dapat mengesampingkan prediksi
  • Implementasi memerlukan integrasi alur kerja; penandaan berisiko tinggi hanya efektif jika klinisi bertindak atasnya

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Mengidentifikasi pasien berisiko tinggi secara objektif, mengurangi penilaian klinisi yang subjektif
  • Memusatkan sumber daya pencegahan yang langka (tindak lanjut intensif, kesehatan di rumah) pada pasien yang paling membutuhkan
  • Dapat ditindaklanjuti: keluaran model mendukung keputusan perencanaan pemulangan secara real-time
  • Meningkatkan hasil pasien dengan mencegah komplikasi yang terkait dengan pemulangan dini
  • Mengurangi biaya dengan mencegah readmisi yang mahal

Penerapan

  • Menandai pasien berisiko tinggi saat pemulangan untuk koordinasi perawatan intensif, rujukan kesehatan di rumah, dan tindak lanjut yang cermat
  • Mengevaluasi efektivitas intervensi (klinik gagal jantung, perangkat pemantauan rumah) dengan membandingkan tingkat readmisi pada kohort berisiko tinggi
  • Mengalokasikan sumber daya untuk perencanaan pemulangan: unit dan kondisi mana yang mendorong sebagian besar readmisi?
  • Benchmarking kualitas rumah sakit: membandingkan tingkat readmisi antar rumah sakit sambil menyesuaikan campuran kasus menggunakan model prediksi
  • Mendukung kesehatan populasi: mengidentifikasi pasien yang tinggal di komunitas berisiko readmisi segera untuk penjangkauan proaktif

Cara kerjanya

Cara kerjanya

1

Ekstrak data dari rekam medis elektronik pada rawat inap indeks: demografi pasien (usia, jenis kelamin), tingkat keparahan klinis (nilai laboratorium, komorbiditas, diagnosis masuk), pengobatan (prosedur, obat-obatan), dan ringkasan pemulangan. Tindak lanjuti pasien untuk mengidentifikasi readmisi dalam waktu 30 hari (metrik standar untuk pengukuran kualitas).

2

Definisikan readmisi dengan jelas (kembali mendesak ke rumah sakit untuk kondisi akut, bukan readmisi terjadwal untuk prosedur elektif). Bersihkan dan standarkan variabel. Tangani data yang hilang (imputasi vs. penghapusan berdasarkan pola kehilangan). Buat variabel turunan (misalnya, indeks komorbiditas dari kode ICD).

3

Lakukan analisis univariat: bandingkan karakteristik pasien yang readmisi vs. yang tidak readmisi. Identifikasi variabel yang secara statistik terkait dengan readmisi. Nilai kolinearitas dan perancu.

4

Bangun model regresi logistik atau pembelajaran mesin (random forest, gradient boosting) yang memprediksi risiko readmisi dari fitur yang telah dipilih sebelumnya. Validasi pada set uji yang terpisah (80% pelatihan, 20% pengujian). Evaluasi diskriminasi (AUC-ROC), kalibrasi (risiko yang diprediksi vs. aktual), dan kegunaan klinis (sensitivitas/spesifisitas pada berbagai ambang batas).

5

Hasilkan skor risiko untuk pasien individu. Gunakan skor untuk menandai pasien berisiko tinggi untuk intervensi yang ditargetkan. Evaluasi pergeseran model dari waktu ke waktu dan kalibrasi ulang secara berkala. Nilai apakah intervensi pada pasien yang ditandai mengurangi readmisi.

Kesalahan umum

  • Menggunakan readmisi rumah sakit sebagai satu-satunya hasil; beberapa readmisi diperlukan dan sesuai. Penyesuaian risiko untuk campuran kasus sangat penting.
  • Overfitting model pada data pelatihan; selalu validasi pada data uji yang benar-benar terpisah. Gunakan validasi silang untuk memperkirakan kinerja dunia nyata.
  • Mengandalkan koefisien regresi untuk memahami kausalitas; asosiasi tidak menyiratkan bahwa mengubah variabel mengubah risiko
  • Mengabaikan ketidakseimbangan kelas: jika hanya 10% pasien yang readmisi, model naif yang memprediksi 'tidak ada readmisi' untuk semua orang memiliki akurasi 90% tetapi utilitas nol
  • Gagal memantau kinerja model pasca-penyebaran; seiring perubahan populasi pasien atau praktik pemulangan, kalibrasi model menurun

Pertanyaan yang sering diajukan

Apa itu tingkat readmisi 30 hari dan mengapa itu menjadi standar?

Tingkat readmisi 30 hari adalah persentase pasien yang readmisi ke rumah sakit mana pun dalam waktu 30 hari setelah pemulangan. Ini adalah metrik standar karena menangkap readmisi yang kemungkinan terkait dengan rawat inap indeks dan manajemen sebelumnya. Beberapa pedoman menggunakan 7 hari atau 90 hari; bervariasi tergantung pada kondisi dan konteks kebijakan.

Bagaimana cara menangani readmisi ke rumah sakit yang berbeda?

Idealnya, lacak semua readmisi di seluruh rumah sakit di wilayah tersebut (memerlukan berbagi data atau klaim pembayar). Jika terbatas pada institusi Anda, akui bahwa readmisi di luar rumah sakit tidak terdeteksi, yang dapat membiaskan hasil. Gunakan data klaim jika tersedia.

Variabel mana yang paling prediktif terhadap readmisi?

Variabel yang konsisten penting: usia, komorbiditas (indeks Charlson), kelainan laboratorium (fungsi ginjal), diagnosis masuk (gagal jantung, PPOK, pneumonia, operasi memiliki tingkat readmisi tinggi), lama rawat inap, dan disposisi pemulangan (pergi ke fasilitas keperawatan terampil vs. rumah). Obat-obatan terbaru dan faktor sosial (tinggal sendiri, transportasi) juga penting tetapi seringkali tidak terukur.

Haruskah saya menggunakan regresi logistik atau pembelajaran mesin?

Untuk interpretasi dan implementasi, regresi logistik transparan dan cukup untuk banyak aplikasi. Pembelajaran mesin seringkali sedikit meningkatkan diskriminasi (AUC) tetapi dengan mengorbankan interpretasi. Mulailah dengan regresi logistik; gunakan pembelajaran mesin jika Anda memiliki data besar dan membutuhkan peningkatan akurasi marjinal.

Bagaimana cara menerjemahkan skor risiko menjadi tindakan klinis?

Definisikan kategori risiko (rendah, sedang, tinggi) berdasarkan distribusi tingkat readmisi atau konsensus klinis. Tetapkan intervensi untuk setiap kategori: pasien berisiko rendah memerlukan pemulangan standar; pasien berisiko tinggi mendapatkan tindak lanjut intensif (kesehatan di rumah, kunjungan klinik 48 jam, jangkauan telepon). Pantau apakah intervensi mengurangi readmisi aktual.

Metode terkait

Sumber

  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.

    Buka referensi DOI
    Disalin.
  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.

    Buka referensi publikasi
    Disalin.
  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.

    Buka referensi DOI
    Disalin.