Model przewidywania ponownych hospitalizacji
- Autor metody
- Healthcare data analytics and outcomes research
- Rok
- 1998
- Typ
- Logistic regression and machine learning methodology
- Rodzina
- Predictive modeling, Patient risk stratification
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Modele przewidywania ponownych hospitalizacji wykorzystują techniki statystyczne i uczenia maszynowego do identyfikacji pacjentów o wysokim ryzyku powrotu do szpitala wkrótce po wypisie.
Modele te ukierunkowują planowanie wypisu i opiekę po wypisie w celu poprawy wyników leczenia i zmniejszenia kosztów.
Intuicja stojąca za metodą
Wiele hospitalizacji można uniknąć: pacjenci wypisywani bez odpowiedniej opieki po wypisie, właściwego zarządzania lekami lub wsparcia w samodzielnej opiece wracają do szpitala w krótkim czasie. Ponowne hospitalizacje zwiększają koszty (powielone dni pobytu w szpitalu) i szkodzą pacjentom (powikłania, infekcje, osłabienie). Model predykcyjny identyfikuje, którzy pacjenci są obarczeni najwyższym ryzykiem, dzięki czemu można priorytetowo traktować intensywne planowanie wypisu, ścisłą opiekę ambulatoryjną i usługi opieki domowej. Pozwala to skoncentrować kosztowne zasoby profilaktyczne na tych, którzy odniosą największe korzyści.
Historia
Badania nad przewidywaniem ponownych hospitalizacji rozwijały się w latach 2000., gdy płatnicy zaczęli postrzegać ponowne hospitalizacje zarówno jako wskaźnik jakości, jak i czynnik kosztotwórczy. Badanie Jencksa i współpracowników z 2009 r. opublikowane w NEJM wykazało, że 20% pacjentów Medicare było ponownie hospitalizowanych w ciągu 30 dni, co wzbudziło ogólnokrajowe zainteresowanie profilaktyką. Krumholz i współpracownicy opracowali wskaźnik HOSPITAL (proste narzędzie łączące zmienne administracyjne) i szeroko go zweryfikowali. Nowoczesne modele coraz częściej wykorzystują uczenie maszynowe do uwzględniania większej liczby zmiennych i poprawy dokładności, chociaż interpretowalność pozostaje wyzwaniem.
Kiedy stosować
Użyj predykcji ponownych hospitalizacji, gdy dysponujesz dużymi historycznymi danymi dotyczącymi wypisów (>1000 wypisów) i dobrymi danymi dotyczącymi opieki po wypisie w celu identyfikacji ponownych hospitalizacji. Najbardziej wartościowe dla schorzeń o wysokich kosztach (niewydolność serca, zapalenie płuc, poważne zabiegi chirurgiczne), gdzie interwencja jest wykonalna i opłacalna. Unikaj, jeśli opieka po wypisie jest niekompletna (niemożność wykrycia wszystkich powrotów), jeśli praktyki wypisowe szybko się zmieniają lub jeśli głównym celem jest odpowiedzialność (wskaźniki ponownych hospitalizacji), a nie profilaktyka.
Ograniczenia i uwagi
- Skuteczność modelu zależy od jakości danych; niekompletna opieka po wypisie lub błędnie sklasyfikowane ponowne hospitalizacje zniekształcają wyniki
- Czynniki ryzyka zmieniają się w czasie (np. nowe terapie, zmiany polityki); modele wymagają okresowej rekalibracji
- Nie identyfikuje celów profilaktycznych: wiedza o tym, że pacjent jest wysokiego ryzyka, nie jest tym samym, co wiedza o tym, jaka interwencja pomaga
- Wyniki ryzyka są średnimi populacyjnymi; indywidualne czynniki pacjenta nieujęte w danych mogą wpływać na predykcję
- Wdrożenie wymaga integracji z przepływem pracy; oznaczenia wysokiego ryzyka są skuteczne tylko wtedy, gdy klinicyści na nie reagują
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Obiektywnie identyfikuje pacjentów wysokiego ryzyka, ograniczając subiektywną ocenę klinicystów
- Koncentruje ograniczone zasoby profilaktyczne (intensywna opieka po wypisie, opieka domowa) na pacjentach o największych potrzebach
- Działanie: wyniki modelu wspierają decyzje dotyczące planowania wypisu w czasie rzeczywistym
- Poprawia wyniki leczenia pacjentów poprzez zapobieganie powikłaniom związanym z przedwczesnym wypisem
- Zmniejsza koszty poprzez zapobieganie kosztownym ponownym hospitalizacjom
Zastosowania
- Oznaczanie pacjentów wysokiego ryzyka przy wypisie w celu intensywnej koordynacji opieki, skierowania do opieki domowej i ścisłej obserwacji po wypisie
- Ocena skuteczności interwencji (kluby pacjentów z niewydolnością serca, urządzenia do monitorowania w domu) poprzez porównanie wskaźników ponownych hospitalizacji w kohortach wysokiego ryzyka
- Alokacja zasobów na planowanie wypisu: które oddziały i schorzenia generują najwięcej ponownych hospitalizacji?
- Benchmarking jakości szpitali: porównywanie wskaźników ponownych hospitalizacji między szpitalami przy jednoczesnej korekcie według grupy pacjentów (case mix) za pomocą modeli predykcyjnych
- Wspieranie zdrowia populacji: identyfikacja pacjentów mieszkających w społecznościach, którzy są zagrożeni zbliżającą się ponowną hospitalizacją, w celu proaktywnego kontaktu
Jak to działa
Jak to działa
Pobierz dane z elektronicznej dokumentacji medycznej dotyczące hospitalizacji indeksowej: dane demograficzne pacjenta (wiek, płeć), ciężkość stanu klinicznego (wyniki badań laboratoryjnych, choroby współistniejące, rozpoznanie przy przyjęciu), leczenie (procedury, leki) i podsumowanie wypisu. Monitoruj pacjentów w celu zidentyfikowania ponownych hospitalizacji w ciągu 30 dni (standardowa miara oceny jakości).
Jasno zdefiniuj ponowną hospitalizację (pilny powrót do szpitala z powodu ostrego stanu, a nie planowane ponowne przyjęcia na zabiegi planowe). Oczyść i standaryzuj zmienne. Obsłuż brakujące dane (imputacja vs. usunięcie w zależności od wzorca braków). Utwórz zmienne pochodne (np. wskaźnik chorób współistniejących na podstawie kodów ICD).
Przeprowadź analizę jednoczynnikową: porównaj charakterystykę pacjentów ponownie hospitalizowanych i tych, którzy nie zostali ponownie hospitalizowani. Zidentyfikuj zmienne związane statystycznie z ponowną hospitalizacją. Oceń współliniowość i czynniki zakłócające.
Zbuduj model regresji logistycznej lub uczenia maszynowego (las losowy, gradient boosting) przewidujący ryzyko ponownej hospitalizacji na podstawie wstępnie wybranych cech. Zweryfikuj na odłożonym zbiorze testowym (80% treningowy, 20% testowy). Oceń dyskryminację (AUC-ROC), kalibrację (przewidywane vs. rzeczywiste ryzyko) i użyteczność kliniczną (czułość/specyficzność przy różnych progach).
Wygeneruj wyniki ryzyka dla poszczególnych pacjentów. Użyj wyników do oznaczenia pacjentów wysokiego ryzyka w celu ukierunkowania interwencji. Oceń dryf modelu w czasie i okresowo dokonuj jego rekalibracji. Oceń, czy interwencja u oznaczonych pacjentów zmniejsza liczbę ponownych hospitalizacji.
Częste pułapki
- Używanie ponownej hospitalizacji jako jedynego wyniku; niektóre ponowne hospitalizacje są konieczne i uzasadnione. Kluczowa jest korekta ryzyka według grupy pacjentów (case mix).
- Nadmierne dopasowanie modelu do danych treningowych; zawsze weryfikuj na prawdziwie odłożonym zbiorze testowym. Użyj walidacji krzyżowej do oszacowania rzeczywistej skuteczności.
- Opieranie się na współczynnikach regresji w celu zrozumienia przyczynowości; związek nie oznacza, że zmiana zmiennej zmienia ryzyko
- Ignorowanie niezbalansowania klas: jeśli tylko 10% pacjentów jest ponownie hospitalizowanych, naiwny model przewidujący 'brak ponownej hospitalizacji' dla wszystkich osiąga 90% dokładności, ale zerową użyteczność
- Niedostateczne monitorowanie skuteczności modelu po wdrożeniu; w miarę zmian populacji pacjentów lub praktyk wypisowych, kalibracja modelu ulega degradacji
Najczęściej zadawane pytania
Jaki jest wskaźnik ponownych hospitalizacji w ciągu 30 dni i dlaczego jest on standardem?
Wskaźnik ponownych hospitalizacji w ciągu 30 dni to odsetek pacjentów ponownie przyjętych do dowolnego szpitala w ciągu 30 dni od wypisu. Jest to standardowa miara, ponieważ obejmuje ponowne hospitalizacje prawdopodobnie związane z hospitalizacją indeksową i wcześniejszym leczeniem. Niektóre wytyczne stosują okres 7 lub 90 dni; zależy to od schorzenia i kontekstu polityki.
Jak mam postępować w przypadku ponownych hospitalizacji w różnych szpitalach?
Idealnie byłoby śledzić wszystkie ponowne hospitalizacje w różnych szpitalach w regionie (wymaga udostępniania danych lub danych od płatników). Jeśli ograniczono się do własnej placówki, należy przyznać, że ponowne hospitalizacje poza szpitalem są niedostatecznie wykrywane, co może zniekształcić wyniki. W miarę możliwości należy korzystać z danych od płatników.
Które zmienne są najbardziej predykcyjne dla ponownej hospitalizacji?
Konsekwentnie ważne zmienne: wiek, choroby współistniejące (wskaźnik Charlsona), nieprawidłowości laboratoryjne (funkcja nerek), rozpoznanie przy przyjęciu (niewydolność serca, POChP, zapalenie płuc, zabiegi chirurgiczne wiążą się z wysokimi wskaźnikami ponownych hospitalizacji), czas trwania hospitalizacji i dyspozycja przy wypisie (przejście do ośrodka opieki wykwalifikowanej vs. dom). Ostatnie leki i czynniki społeczne (samotne życie, transport) są również ważne, ale często niezmierzalne.
Czy powinienem używać regresji logistycznej czy uczenia maszynowego?
Dla interpretacji i wdrożenia, regresja logistyczna jest przejrzysta i wystarczająca dla wielu zastosowań. Uczenie maszynowe często nieznacznie poprawia dyskryminację (AUC), ale kosztem interpretowalności. Zacznij od regresji logistycznej; użyj uczenia maszynowego, jeśli masz duże dane i potrzebujesz marginalnych ulepszeń dokładności.
Jak przetłumaczyć wynik ryzyka na działanie kliniczne?
Zdefiniuj kategorie ryzyka (niskie, średnie, wysokie) na podstawie rozkładu wskaźnika ponownych hospitalizacji lub konsensusu klinicznego. Przypisz interwencje do każdej kategorii: pacjenci niskiego ryzyka wymagają standardowego wypisu; pacjenci wysokiego ryzyka otrzymują intensywną opiekę po wypisie (opieka domowa, wizyta w klinice po 48 godzinach, kontakt telefoniczny). Monitoruj, czy interwencje zmniejszają rzeczywiste ponowne hospitalizacje.
Pokrewne metody
Źródła
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.
Otwórz odnośnik DOISkopiowano.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.
Otwórz odnośnik do publikacjiSkopiowano.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.
Otwórz odnośnik DOISkopiowano.