แบบจำลองการทำนายการกลับมารักษาซ้ำในโรงพยาบาล
- ผู้เสนอ
- Healthcare data analytics and outcomes research
- ปี
- 1998
- ประเภท
- Logistic regression and machine learning methodology
- กลุ่มวิธี
- Predictive modeling, Patient risk stratification
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
แบบจำลองการทำนายการกลับมารักษาซ้ำในโรงพยาบาลใช้เทคนิคทางสถิติและแมชชีนเลิร์นนิงเพื่อระบุผู้ป่วยที่มีความเสี่ยงสูงที่จะกลับเข้ารับการรักษาในโรงพยาบาลในระยะเวลาอันสั้นหลังออกจากโรงพยาบาล แบบจำลองเหล่านี้ช่วยในการวางแผนการจำหน่ายผู้ป่วยและการติดตามผลที่ตรงเป้าหมายเพื่อปรับปรุงผลลัพธ์และลดค่าใช้จ่าย
แนวคิดเบื้องหลังวิธีการ
การเข้ารับการรักษาในโรงพยาบาลจำนวนมากสามารถป้องกันได้: ผู้ป่วยที่ออกจากโรงพยาบาลโดยไม่มีการติดตามผล การจัดการยา หรือการสนับสนุนการดูแลตนเองอย่างเพียงพอ จะกลับเข้ารับการรักษาในโรงพยาบาลอย่างรวดเร็ว การกลับมารักษาซ้ำเพิ่มค่าใช้จ่าย (วันนอนโรงพยาบาลซ้ำซ้อน) และเป็นอันตรายต่อผู้ป่วย (ภาวะแทรกซ้อน การติดเชื้อ การเสื่อมสภาพ) แบบจำลองการทำนายจะระบุว่าผู้ป่วยรายใดมีความเสี่ยงสูงสุด เพื่อให้สามารถจัดลำดับความสำคัญของการวางแผนจำหน่ายผู้ป่วยอย่างเข้มข้น การติดตามผลอย่างใกล้ชิดหลังออกจากโรงพยาบาล และบริการสุขภาพที่บ้านได้ วิธีนี้จะช่วยให้การใช้ทรัพยากรป้องกันที่มีค่าใช้จ่ายสูงมุ่งเน้นไปที่ผู้ที่น่าจะได้รับประโยชน์มากที่สุด
ประวัติศาสตร์
การวิจัยการทำนายการกลับมารักษาซ้ำเติบโตขึ้นในช่วงปี 2000 เมื่อผู้จ่ายเงินตระหนักว่าการกลับมารักษาซ้ำเป็นทั้งตัวชี้วัดคุณภาพและตัวขับเคลื่อนค่าใช้จ่าย การศึกษาของ Jencks และคณะในปี 2009 ในวารสาร NEJM แสดงให้เห็นว่าผู้ป่วย Medicare 20% กลับมารักษาซ้ำภายใน 30 วัน ซึ่งกระตุ้นความสนใจในระดับชาติเกี่ยวกับการป้องกัน Krumholz และคณะได้พัฒนาคะแนน HOSPITAL (HOSPITAL score) (เครื่องมืออย่างง่ายที่รวมตัวแปรด้านธุรการ) และตรวจสอบความถูกต้องอย่างกว้างขวาง แบบจำลองสมัยใหม่ใช้แมชชีนเลิร์นนิงมากขึ้นเรื่อยๆ เพื่อรวมตัวแปรจำนวนมากขึ้นและปรับปรุงความแม่นยำ แม้ว่าการตีความยังคงเป็นความท้าทาย
ควรใช้เมื่อใด
ใช้การทำนายการกลับมารักษาซ้ำเมื่อคุณมีข้อมูลการจำหน่ายผู้ป่วยจำนวนมากในอดีต (>1000 ราย) และข้อมูลการติดตามผลที่ดีเพื่อระบุการกลับมารักษาซ้ำ มีประโยชน์มากที่สุดสำหรับภาวะที่มีค่าใช้จ่ายสูง (ภาวะหัวใจล้มเหลว ปอดอักเสบ การผ่าตัดใหญ่) ซึ่งการแทรกแซงสามารถทำได้และคุ้มค่า หลีกเลี่ยงหากการติดตามผลการกลับมารักษาซ้ำไม่สมบูรณ์ (ไม่สามารถตรวจจับการกลับมาทั้งหมดได้) หากแนวทางการจำหน่ายผู้ป่วยมีการเปลี่ยนแปลงอย่างรวดเร็ว หรือหากเป้าหมายหลักคือความรับผิดชอบ (อัตราการกลับมารักษาซ้ำ) แทนที่จะเป็นการป้องกัน
ข้อจำกัดและข้อควรพิจารณา
- ประสิทธิภาพของแบบจำลองขึ้นอยู่กับคุณภาพของข้อมูล การติดตามผลที่ไม่สมบูรณ์ หรือการจำแนกประเภทการกลับมารักษาซ้ำผิดพลาด จะทำให้ผลลัพธ์เอนเอียง
- ปัจจัยเสี่ยงเปลี่ยนแปลงไปตามกาลเวลา (เช่น การรักษาใหม่ การเปลี่ยนแปลงนโยบาย) แบบจำลองจึงต้องการการปรับเทียบใหม่เป็นระยะ
- ไม่สามารถระบุเป้าหมายในการป้องกันได้: การทราบว่าผู้ป่วยมีความเสี่ยงสูง ไม่เหมือนกับการทราบว่าการแทรกแซงใดช่วยได้
- คะแนนความเสี่ยงเป็นค่าเฉลี่ยของประชากร ปัจจัยของผู้ป่วยแต่ละรายที่ไม่ถูกบันทึกในข้อมูลอาจมีผลเหนือกว่าการทำนาย
- การนำไปใช้ต้องมีการบูรณาการกับกระบวนการทำงาน: การระบุผู้ป่วยที่มีความเสี่ยงสูงจะมีประสิทธิภาพก็ต่อเมื่อแพทย์ดำเนินการตามนั้น
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- ระบุผู้ป่วยที่มีความเสี่ยงสูงอย่างเป็นรูปธรรม ลดการตัดสินใจตามดุลยพินิจของแพทย์
- มุ่งเน้นทรัพยากรป้องกันที่จำกัด (การติดตามผลอย่างเข้มข้น บริการสุขภาพที่บ้าน) ไปยังผู้ป่วยที่ต้องการมากที่สุด
- นำไปปฏิบัติได้: ผลลัพธ์จากแบบจำลองสนับสนุนการตัดสินใจวางแผนจำหน่ายผู้ป่วยแบบเรียลไทม์
- ปรับปรุงผลลัพธ์ของผู้ป่วยโดยการป้องกันภาวะแทรกซ้อนที่เกี่ยวข้องกับการจำหน่ายผู้ป่วยก่อนกำหนด
- ลดค่าใช้จ่ายโดยการป้องกันการกลับมารักษาซ้ำที่มีค่าใช้จ่ายสูง
การประยุกต์ใช้
- การระบุผู้ป่วยที่มีความเสี่ยงสูงเมื่อออกจากโรงพยาบาลเพื่อการประสานงานการดูแลอย่างเข้มข้น การส่งต่อไปยังบริการสุขภาพที่บ้าน และการติดตามผลอย่างใกล้ชิด
- การประเมินประสิทธิผลของการแทรกแซง (คลินิกโรคหัวใจล้มเหลว อุปกรณ์ติดตามผลที่บ้าน) โดยการเปรียบเทียบอัตราการกลับมารักษาซ้ำในกลุ่มผู้ป่วยที่มีความเสี่ยงสูง
- การจัดสรรทรัพยากรสำหรับการวางแผนจำหน่ายผู้ป่วย: หน่วยงานและภาวะใดที่ก่อให้เกิดการกลับมารักษาซ้ำมากที่สุด
- การเปรียบเทียบคุณภาพโรงพยาบาล: เปรียบเทียบอัตราการกลับมารักษาซ้ำระหว่างโรงพยาบาลต่างๆ โดยปรับค่าตามกลุ่มผู้ป่วย (case mix) โดยใช้แบบจำลองการทำนาย
- การสนับสนุนสุขภาพประชากร: การระบุผู้ป่วยที่อาศัยอยู่ในชุมชนที่มีความเสี่ยงต่อการกลับมารักษาซ้ำอย่างใกล้ชิดเพื่อการเข้าถึงเชิงรุก
วิธีการทำงาน
วิธีการทำงาน
ดึงข้อมูลจากเวชระเบียนอิเล็กทรอนิกส์ (electronic health records) เกี่ยวกับการเข้ารับการรักษาในโรงพยาบาลครั้งแรก: ข้อมูลประชากรผู้ป่วย (อายุ เพศ) ความรุนแรงทางคลินิก (ค่าผลแล็บ โรคร่วม การวินิจฉัยเมื่อแรกรับ) การรักษา (หัตถการ ยา) และสรุปการจำหน่ายผู้ป่วย ติดตามผู้ป่วยเพื่อระบุการกลับมารักษาซ้ำภายใน 30 วัน (เกณฑ์มาตรฐานสำหรับการวัดคุณภาพ)
กำหนดนิยามการกลับมารักษาซ้ำให้ชัดเจน (การกลับเข้ารับการรักษาในโรงพยาบาลอย่างเร่งด่วนสำหรับภาวะเฉียบพลัน ไม่ใช่การกลับมารักษาซ้ำตามกำหนดสำหรับการผ่าตัดตามแผน) ทำความสะอาดและปรับมาตรฐานตัวแปร จัดการข้อมูลที่ขาดหายไป (การแทนที่ข้อมูล หรือ การลบข้อมูล ขึ้นอยู่กับรูปแบบการขาดหาย) สร้างตัวแปรที่ได้จากการคำนวณ (เช่น ดัชนีโรคร่วมจากรหัส ICD)
ทำการวิเคราะห์ตัวแปรเดี่ยว (univariate analysis): เปรียบเทียบลักษณะของผู้ป่วยที่กลับมารักษาซ้ำกับผู้ป่วยที่ไม่กลับมารักษาซ้ำ ระบุตัวแปรที่มีความสัมพันธ์ทางสถิติกับการกลับมารักษาซ้ำ ประเมินความสัมพันธ์กันเองของตัวแปร (collinearity) และการควบคุมตัวแปรกวน (confounding)
สร้างแบบจำลองการถดถอยโลจิสติก (logistic regression) หรือแบบจำลองแมชชีนเลิร์นนิง (random forest, gradient boosting) เพื่อทำนายความเสี่ยงในการกลับมารักษาซ้ำจากคุณลักษณะที่เลือกไว้ล่วงหน้า ตรวจสอบความถูกต้องบนชุดข้อมูลทดสอบที่แยกไว้ (80% สำหรับการฝึก, 20% สำหรับการทดสอบ) ประเมินการจำแนกประเภท (discrimination) (AUC-ROC) การสอบเทียบ (calibration) (ความเสี่ยงที่ทำนายได้เทียบกับความเสี่ยงจริง) และประโยชน์ทางคลินิก (sensitivity/specificity ที่ระดับเกณฑ์ต่างๆ)
สร้างคะแนนความเสี่ยงสำหรับผู้ป่วยแต่ละราย ใช้คะแนนเพื่อระบุผู้ป่วยที่มีความเสี่ยงสูงสำหรับการแทรกแซงที่ตรงเป้าหมาย ประเมินการเปลี่ยนแปลงของแบบจำลองเมื่อเวลาผ่านไปและปรับเทียบใหม่เป็นระยะ ประเมินว่าการแทรกแซงในผู้ป่วยที่ถูกระบุว่ามีความเสี่ยงสูงช่วยลดการกลับมารักษาซ้ำหรือไม่
ข้อผิดพลาดที่พบบ่อย
- การใช้การกลับมารักษาซ้ำในโรงพยาบาลเป็นผลลัพธ์เพียงอย่างเดียว การกลับมารักษาซ้ำบางกรณีมีความจำเป็นและเหมาะสม การปรับค่าตามกลุ่มผู้ป่วย (risk adjustment for case mix) เป็นสิ่งจำเป็น
- การสร้างแบบจำลองที่มากเกินไป (overfitting) กับข้อมูลฝึกอบรม: ควรตรวจสอบความถูกต้องบนชุดข้อมูลทดสอบที่แยกไว้อย่างแท้จริงเสมอ ใช้การตรวจสอบไขว้ (cross-validation) เพื่อประมาณประสิทธิภาพในโลกแห่งความเป็นจริง
- การพึ่งพาค่าสัมประสิทธิ์การถดถอยเพื่อทำความเข้าใจสาเหตุ: ความสัมพันธ์ไม่ได้หมายความว่าการเปลี่ยนแปลงตัวแปรจะเปลี่ยนแปลงความเสี่ยง
- การละเลยความไม่สมดุลของกลุ่มข้อมูล (class imbalance): หากมีผู้ป่วยกลับมารักษาซ้ำเพียง 10% แบบจำลองที่ทำนายว่า 'ไม่กลับมารักษาซ้ำ' สำหรับทุกคน จะมีความแม่นยำ 90% แต่ไม่มีประโยชน์เลย
- การไม่ติดตามประสิทธิภาพของแบบจำลองหลังการนำไปใช้: เมื่อประชากรผู้ป่วยหรือแนวทางการจำหน่ายเปลี่ยนแปลงไป การสอบเทียบของแบบจำลองจะเสื่อมลง
คำถามที่พบบ่อย
อัตราการกลับมารักษาซ้ำใน 30 วันคืออะไร และเหตุใดจึงเป็นเกณฑ์มาตรฐาน?
อัตราการกลับมารักษาซ้ำใน 30 วันคือร้อยละของผู้ป่วยที่กลับเข้ารับการรักษาในโรงพยาบาลใดๆ ภายใน 30 วันหลังออกจากโรงพยาบาล เป็นเกณฑ์มาตรฐานเนื่องจากครอบคลุมการกลับมารักษาซ้ำที่น่าจะเกี่ยวข้องกับการเข้ารับการรักษาในโรงพยาบาลครั้งแรกและการจัดการก่อนหน้านี้ แนวทางบางอย่างใช้ 7 วัน หรือ 90 วัน ขึ้นอยู่กับภาวะและบริบทของนโยบาย
ฉันจะจัดการกับการกลับมารักษาซ้ำในโรงพยาบาลที่แตกต่างกันได้อย่างไร?
ตามหลักการแล้ว ควรติดตามการกลับมารักษาซ้ำทั้งหมดในโรงพยาบาลต่างๆ ในภูมิภาค (ต้องมีการแบ่งปันข้อมูลหรือข้อมูลการเคลมของผู้จ่ายเงิน) หากจำกัดเฉพาะสถาบันของคุณ ให้ยอมรับว่าการกลับมารักษาซ้ำนอกโรงพยาบาลจะถูกตรวจจับได้น้อย ซึ่งอาจทำให้ผลลัพธ์เอนเอียง ใช้ข้อมูลการเคลมหากมี
ตัวแปรใดที่มีความสามารถในการทำนายการกลับมารักษาซ้ำได้มากที่สุด?
ตัวแปรที่สำคัญอย่างสม่ำเสมอ: อายุ โรคร่วม (ดัชนี Charlson) ความผิดปกติของผลแล็บ (การทำงานของไต) การวินิจฉัยเมื่อแรกรับ (ภาวะหัวใจล้มเหลว COPD ปอดอักเสบ การผ่าตัด มีอัตราการกลับมารักษาซ้ำสูง) ระยะเวลาการนอนโรงพยาบาล และสถานะเมื่อจำหน่าย (ไปสถานพยาบาลผู้ป่วยในที่ต้องดูแลพิเศษเทียบกับการกลับบ้าน) ยาที่ใช้ล่าสุดและปัจจัยทางสังคม (อาศัยอยู่คนเดียว การเดินทาง) ก็มีความสำคัญเช่นกัน แต่บ่อยครั้งที่ไม่ได้วัด
ฉันควรใช้การถดถอยโลจิสติกหรือแมชชีนเลิร์นนิง?
สำหรับการตีความและการนำไปใช้ การถดถอยโลจิสติกมีความโปร่งใสและเพียงพอสำหรับการใช้งานส่วนใหญ่ แมชชีนเลิร์นนิงมักจะปรับปรุงการจำแนกประเภท (AUC) เล็กน้อย แต่ต้องแลกมาด้วยการตีความ เริ่มต้นด้วยการถดถอยโลจิสติก ใช้แมชชีนเลิร์นนิงหากคุณมีข้อมูลจำนวนมากและต้องการการปรับปรุงความแม่นยำเพียงเล็กน้อย
ฉันจะแปลงคะแนนความเสี่ยงเป็นการดำเนินการทางคลินิกได้อย่างไร?
กำหนดประเภทความเสี่ยง (ต่ำ ปานกลาง สูง) โดยพิจารณาจากการกระจายของอัตราการกลับมารักษาซ้ำหรือฉันทามติทางคลินิก กำหนดการแทรกแซงสำหรับแต่ละประเภท: ผู้ป่วยความเสี่ยงต่ำต้องการการจำหน่ายตามมาตรฐาน ผู้ป่วยความเสี่ยงสูงได้รับการติดตามผลอย่างเข้มข้น (บริการสุขภาพที่บ้าน การเยี่ยมคลินิก 48 ชั่วโมง การโทรศัพท์สอบถาม) ตรวจสอบว่าการแทรกแซงช่วยลดการกลับมารักษาซ้ำจริงหรือไม่
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
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.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วKrumholz, 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.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้วPhilbin, 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.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว