再入院予測モデル
- 提唱者
- Healthcare data analytics and outcomes research
- 年
- 1998
- 種類
- Logistic regression and machine learning methodology
- 系統
- Predictive modeling, Patient risk stratification
この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む
何をする手法か?
入院再予測モデルは、統計学的手法および機械学習技術を用いて、退院後間もなく再入院するリスクが高い患者を特定する。これらのモデルは、転帰の改善とコスト削減を目的とした、標的を絞った退院計画とフォローアップを導く。
手法の背後にある直感
多くの入院は予防可能である。すなわち、適切なフォローアップ、薬剤管理、セルフケア支援なしに退院した患者は、間もなく再入院する。再入院は、コストを増加させ(重複した入院日数)、患者に害を与える(合併症、感染症、体力の低下)。予測モデルは、最もリスクが高い患者を特定し、集中的な退院計画、緊密な外来フォローアップ、在宅医療サービスを優先的に提供できるようにする。これにより、最も恩恵を受ける可能性が高い患者に、コストのかかる予防リソースを集中させることができる。
歴史学
2000年代に、支払者が再入院を品質指標とコストドライバーの両方として認識するようになり、再入院予測研究が成長した。Jencksらの2009年のNEJM研究は、メディケア患者の20%が30日以内に再入院したことを示し、予防への全国的な関心を触発した。KrumholzらはHOSPITALスコア(管理変数を含む単純なツール)を開発し、広く検証した。現代のモデルは、より多くの変数を組み込み、精度を向上させるために機械学習をますます使用しているが、解釈可能性は依然として課題である。
使うべき場面
大規模な過去の退院データ(1000件以上の退院)と良好なフォローアップデータがあり、再入院を特定できる場合に再入院予測を使用する。介入が実行可能で費用対効果が高い高コスト疾患(心不全、肺炎、主要手術)で最も価値がある。再入院フォローアップが不完全な場合(すべての再入院を検出できない)、退院慣行が急速に変化している場合、または主な目標が予防ではなく説明責任(再入院率)である場合は避ける。
限界と注意点
- モデルのパフォーマンスはデータ品質に依存する。不完全なフォローアップまたは誤って分類された再入院は結果を偏らせる
- リスク要因は時間とともに変化する(例:新しい治療法、方針の変更)。モデルは定期的な再調整を必要とする
- 予防ターゲットを特定しない:患者が高リスクであることを知ることは、どの介入が役立つかを知ることと同じではない
- リスクスコアは集団平均であり、個々の患者のデータに含まれていない要因が予測を上回る可能性がある
- 実装にはワークフローの統合が必要。高リスクフラグは、臨床医がそれに基づいて行動した場合にのみ効果的である
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- 主観的な臨床医の判断を減らし、高リスク患者を客観的に特定する
- 希少な予防リソース(集中的フォローアップ、在宅医療)を最もニーズの高い患者に集中させる
- アクション可能:モデル出力は、リアルタイムで退院計画の決定をサポートする
- 早期退院に伴う合併症を防ぐことにより、患者の転帰を改善する
- 高額な再入院を防ぐことにより、コストを削減する
応用
- 退院時の高リスク患者を、集中的なケアコーディネーション、在宅医療紹介、および緊密なフォローアップのためにフラグ付けする
- 介入の効果を評価する(心不全クリニック、在宅モニタリングデバイス)。高リスクコホートにおける再入院率を比較することによって
- 退院計画のリソースを割り当てる:どの病棟と疾患が最も多くの再入院を引き起こしているか?
- 病院の品質をベンチマークする:予測モデルを使用してケースミックスを調整しながら、病院間の再入院率を比較する
- 集団健康をサポートする:再入院の差し迫ったリスクのある地域在住患者を特定し、積極的なアウトリーチを行う
使い方
使い方
索引入院に関する電子カルテからデータを抽出する:患者人口統計(年齢、性別)、臨床的重症度(検査値、併存疾患、入院診断)、治療(処置、薬剤)、退院サマリー。退院後30日以内の再入院を特定するために患者を追跡する(品質測定の標準指標)。
再入院を明確に定義する(予定された処置のための再入院ではなく、急性疾患のための緊急の再入院)。変数をクリーニングおよび標準化する。欠損データを処理する(欠損パターンに基づく補完対削除)。派生変数を生成する(例:ICDコードからの併存疾患指数)。
単変量解析を実行する:再入院した患者と再入院しなかった患者の特性を比較する。再入院と統計的に関連のある変数を特定する。共線性および交錯を評価する。
ロジスティック回帰または機械学習モデル(ランダムフォレスト、勾配ブースティング)を構築し、事前に選択された特徴から再入院リスクを予測する。保持されたテストセット(トレーニング80%、テスト20%)で検証する。識別度(AUC-ROC)、キャリブレーション(予測対実際の危険度)、および臨床的有用性(様々な閾値での感度/特異度)を評価する。
個々の患者のリスクスコアを生成する。スコアを使用して、標的を絞った介入のために高リスク患者をフラグ付けする。時間の経過に伴うモデルドリフトを評価し、定期的に再調整する。フラグ付けされた患者への介入が再入院を減少させるかどうかを評価する。
よくある落とし穴
- 入院再入院のみを結果として使用すること。一部の再入院は必要かつ適切である。ケースミックスのためのリスク調整が不可欠である
- トレーニングデータへのモデルの過剰適合。常に真に保持されたテストデータで検証する。実世界のパフォーマンスを推定するために交差検証を使用する
- 因果関係を理解するために回帰係数に依存すること。関連性は、変数を変更することがリスクを変更することを意味しない
- クラスの不均衡を無視すること。患者の10%しか再入院しない場合、全員に「再入院なし」を予測するナイーブモデルは90%の精度を持つが、有用性はゼロである
- 展開後のモデルパフォーマンスを監視しないこと。患者集団または退院慣行が変化すると、モデルのキャリブレーションは低下する
よくある質問
30日再入院率とは何か、そしてなぜそれが標準なのか?
30日再入院率は、退院後30日以内に任意の病院に再入院した患者の割合である。これは、索引入院および以前の管理に関連する可能性が高い再入院を捉えるため、標準的な指標である。一部のガイドラインでは7日または90日を使用する。条件とポリシーの文脈によって異なる。
異なる病院への再入院をどのように処理するか?
理想的には、地域全体のすべての再入院を追跡する(データ共有または支払者請求が必要)。自施設に限定される場合は、院外再入院が検出されない可能性があることを認識し、結果が偏る可能性がある。利用可能な場合は請求データを使用する。
再入院を最も予測する変数は何か?
一貫して重要な変数:年齢、併存疾患(Charlson指数)、検査異常(腎機能)、入院診断(心不全、COPD、肺炎、手術は再入院率が高い)、在院日数、退院先(自宅対専門看護施設)。最近の薬剤と社会的要因(一人暮らし、交通手段)も重要であるが、しばしば測定されない。
ロジスティック回帰または機械学習を使用すべきか?
解釈と実装のためには、ロジスティック回帰は透明性があり、多くのアプリケーションで十分である。機械学習は、解釈可能性を犠牲にして、識別度(AUC)をわずかに向上させることがよくある。ロジスティック回帰から始め、大規模なデータがあり、わずかな精度の向上が必要な場合は機械学習を使用する。
リスクスコアを臨床的行動にどのように翻訳するか?
再入院率の分布または臨床的コンセンサスに基づいて、リスクカテゴリ(低、中、高)を定義する。各カテゴリに介入を割り当てる:低リスク患者は標準退院が必要。高リスク患者は集中的フォローアップ(在宅医療、48時間以内の診察、電話アウトリーチ)を受ける。介入が実際の再入院を減少させるかどうかを監視する。
関連する手法
参考文献
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.
DOI 文献を開くコピーしました。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.
出版物の文献を開くコピーしました。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.
DOI 文献を開くコピーしました。