Skip to content
Назад к результатам поиска

Модель прогнозирования повторной госпитализации

Автор метода
Healthcare data analytics and outcomes research
Год
1998
Тип
Logistic regression and machine learning methodology
Семейство
Predictive modeling, Patient risk stratification

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Модели прогнозирования повторной госпитализации используют статистические методы и методы машинного обучения для выявления пациентов с высоким риском возвращения в больницу вскоре после выписки.

Эти модели направляют целевое планирование выписки и последующее наблюдение для улучшения результатов и снижения затрат.

Интуиция метода

Многие госпитализации можно предотвратить: пациенты, выписанные без адекватного последующего наблюдения, управления медикаментами или поддержки самообслуживания, быстро возвращаются в больницу. Повторные госпитализации увеличивают затраты (дублирование больничных дней) и вредят пациентам (осложнения, инфекции, ослабление). Модель прогнозирования выявляет, какие пациенты находятся в группе наивысшего риска, чтобы можно было приоритизировать интенсивное планирование выписки, тщательное амбулаторное наблюдение и услуги на дому. Это концентрирует дорогостоящие ресурсы профилактики на тех, кто, скорее всего, получит пользу.

История

Исследования в области прогнозирования повторной госпитализации начались в 2000-х годах, когда плательщики признали повторные госпитализации как метрику качества, так и драйвер затрат. Исследование Дженкса и коллег 2009 года в NEJM показало, что 20% пациентов Medicare были повторно госпитализированы в течение 30 дней, что стимулировало национальный интерес к профилактике. Крумгольц и коллеги разработали шкалу HOSPITAL (простой инструмент, объединяющий административные переменные) и широко ее валидировали. Современные модели все чаще используют машинное обучение для включения большего количества переменных и повышения точности, хотя интерпретируемость остается проблемой.

Когда применять

Использовать прогнозирование повторной госпитализации при наличии больших исторических данных о выписке (>1000 выписок) и хороших данных последующего наблюдения для выявления повторных госпитализаций. Наиболее ценно для состояний с высокой стоимостью (сердечная недостаточность, пневмония, крупные операции), где вмешательство осуществимо и экономически эффективно. Избегать, если последующее наблюдение за повторными госпитализациями неполное (невозможность обнаружить все возвращения), если практика выписки быстро меняется, или если основная цель — подотчетность (показатели повторных госпитализаций), а не профилактика.

Ограничения и замечания

  • Производительность модели зависит от качества данных; неполное последующее наблюдение или неправильно классифицированные повторные госпитализации искажают результаты
  • Факторы риска со временем меняются (например, новые методы лечения, изменения политики); модели требуют периодической перекалибровки
  • Не выявляет цели профилактики: знание о том, что пациент находится в группе высокого риска, не означает знание о том, какое вмешательство помогает
  • Баллы риска являются средними по популяции; индивидуальные факторы пациента, не учтенные в данных, могут переопределить прогноз
  • Внедрение требует интеграции рабочего процесса; метки высокого риска эффективны только в том случае, если клиницисты действуют на их основе

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Объективно выявляет пациентов высокого риска, уменьшая субъективное суждение клинициста
  • Концентрирует ограниченные ресурсы профилактики (интенсивное наблюдение, медицинский уход на дому) на пациентах с наибольшей потребностью
  • Действенность: результаты модели в реальном времени поддерживают решения по планированию выписки
  • Улучшает результаты лечения пациентов за счет предотвращения осложнений, связанных с преждевременной выпиской
  • Снижает затраты за счет предотвращения дорогостоящих повторных госпитализаций

Применение

  • Маркировка пациентов высокого риска при выписке для интенсивной координации ухода, направления в службу медицинского ухода на дому и тщательного последующего наблюдения
  • Оценка эффективности вмешательств (клиники сердечной недостаточности, устройства домашнего мониторинга) путем сравнения показателей повторной госпитализации в когортах высокого риска
  • Распределение ресурсов для планирования выписки: какие отделения и состояния являются причиной большинства повторных госпитализаций?
  • Бенчмаркинг качества больницы: сравнение показателей повторной госпитализации между больницами с корректировкой на смешанный случай с использованием моделей прогнозирования
  • Поддержка здоровья населения: выявление пациентов, проживающих в сообществе, подверженных риску неминуемой повторной госпитализации для проактивного охвата

Как это работает

Как это работает

1

Извлечь данные из электронных медицинских карт об исходной госпитализации: демографические данные пациента (возраст, пол), клиническая тяжесть (лабораторные показатели, сопутствующие заболевания, диагноз при поступлении), лечение (процедуры, лекарства) и выписной эпикриз. Наблюдать за пациентами для выявления повторных госпитализаций в течение 30 дней (стандартный показатель для оценки качества).

2

Четко определить повторную госпитализацию (срочное возвращение в больницу по поводу острого состояния, а не плановые повторные госпитализации по поводу плановых процедур). Очистить и стандартизировать переменные. Обработать пропущенные данные (импутация против удаления в зависимости от шаблона пропусков). Создать производные переменные (например, индекс сопутствующих заболеваний из кодов МКБ).

3

Провести одномерный анализ: сравнить характеристики повторно госпитализированных и не повторно госпитализированных пациентов. Выявить переменные, статистически связанные с повторной госпитализацией. Оценить коллинеарность и конфаундинг.

4

Построить модель логистической регрессии или машинного обучения (случайный лес, градиентный бустинг), прогнозирующую риск повторной госпитализации на основе предварительно отобранных признаков. Валидировать на отложенном тестовом наборе (80% обучение, 20% тест). Оценить дискриминацию (AUC-ROC), калибровку (прогнозируемый против фактического риска) и клиническую полезность (чувствительность/специфичность при различных порогах).

5

Сгенерировать баллы риска для отдельных пациентов. Использовать баллы для маркировки пациентов высокого риска для целенаправленных вмешательств. Оценить дрейф модели с течением времени и периодически перекалибровать. Оценить, снижают ли вмешательства у маркированных пациентов повторные госпитализации.

Частые ошибки

  • Использование повторной госпитализации в качестве единственного исхода; некоторые повторные госпитализации необходимы и уместны. Корректировка риска на основе смешанного случая имеет важное значение.
  • Переобучение модели на обучающих данных; всегда валидировать на действительно отложенных тестовых данных. Использовать перекрестную проверку для оценки реальной производительности.
  • Опора на коэффициенты регрессии для понимания причинно-следственных связей; ассоциация не подразумевает, что изменение переменной изменяет риск
  • Игнорирование дисбаланса классов: если только 10% пациентов повторно госпитализируются, наивная модель, прогнозирующая «нет повторной госпитализации» для всех, имеет 90% точность, но нулевую полезность
  • Неспособность отслеживать производительность модели после развертывания; по мере изменения популяций пациентов или практики выписки калибровка модели ухудшается

Часто задаваемые вопросы

Что такое 30-дневный показатель повторной госпитализации и почему он является стандартом?

30-дневный показатель повторной госпитализации — это процент пациентов, повторно госпитализированных в любую больницу в течение 30 дней после выписки. Это стандартная метрика, поскольку она охватывает повторные госпитализации, вероятно, связанные с исходной госпитализацией и предыдущим лечением. Некоторые руководства используют 7-дневный или 90-дневный период; варьируется в зависимости от состояния и контекста политики.

Как мне обрабатывать повторные госпитализации в разных больницах?

В идеале отслеживать все повторные госпитализации в больницах региона (требует обмена данными или данных плательщика). Если ограничиться вашим учреждением, признайте, что повторные госпитализации вне больницы недооцениваются, что может исказить результаты. Используйте данные претензий, если они доступны.

Какие переменные наиболее предсказуемы для повторной госпитализации?

Постоянно важные переменные: возраст, сопутствующие заболевания (индекс Чарлсона), лабораторные отклонения (функция почек), диагноз при поступлении (сердечная недостаточность, ХОБЛ, пневмония, операции имеют высокие показатели повторной госпитализации), продолжительность пребывания и статус при выписке (перевод в квалифицированное сестринское учреждение по сравнению с домом). Недавние лекарства и социальные факторы (проживание в одиночестве, транспорт) также важны, но часто не измеряются.

Следует ли использовать логистическую регрессию или машинное обучение?

Для интерпретации и внедрения логистическая регрессия прозрачна и достаточна для многих применений. Машинное обучение часто немного улучшает дискриминацию (AUC), но за счет интерпретируемости. Начните с логистической регрессии; используйте машинное обучение, если у вас большие данные и вам нужны незначительные улучшения точности.

Как перевести балл риска в клиническое действие?

Определить категории риска (низкий, средний, высокий) на основе распределения показателей повторной госпитализации или консенсуса клиницистов. Назначить вмешательства для каждой категории: пациентам с низким риском требуется стандартная выписка; пациенты с высоким риском получают интенсивное последующее наблюдение (медицинский уход на дому, визит в клинику через 48 часов, телефонный обзвон). Отслеживать, снижают ли вмешательства фактические повторные госпитализации.

Похожие методы

Источники

  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.

    Открыть ссылку DOI
    Скопировано.
  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.

    Открыть ссылку на публикацию
    Скопировано.
  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.

    Открыть ссылку DOI
    Скопировано.