医院再入院预测模型
- 提出者
- Healthcare data analytics and outcomes research
- 年份
- 1998
- 类型
- Logistic regression and machine learning methodology
- 类别
- Predictive modeling, Patient risk stratification
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
医院再入院预测模型利用统计学和机器学习技术,识别出院后短期内有再次入院风险的患者。这些模型指导有针对性的出院计划和随访,以改善患者结局并降低成本。
方法背后的直觉
许多住院是可以避免的:出院时随访不足、药物管理不当或缺乏自我护理支持的患者会很快再次入院。再入院会增加成本(重复住院天数)并损害患者健康(并发症、感染、体能下降)。预测模型可以识别出风险最高的患者,从而优先安排密集的出院计划、密切的门诊随访和家庭健康服务。这可以将昂贵的预防资源集中用于最可能受益的患者。
历史学
再入院预测研究兴起于21世纪初,当时支付方认识到再入院既是质量指标也是成本驱动因素。Jencks及其同事2009年发表在NEJM上的研究表明,20%的Medicare患者在30天内再入院,这激发了全国对预防的关注。Krumholz及其同事开发了HOSPITAL评分(一种结合了行政变量的简单工具)并进行了广泛验证。现代模型越来越多地使用机器学习来纳入更多变量并提高准确性,尽管可解释性仍然是一个挑战。
何时使用
当您拥有大量历史出院数据(>1000次出院)和良好的随访数据来识别再入院时,可以使用再入院预测。对于干预可行且成本效益高的重症(心力衰竭、肺炎、大手术),其价值最大。如果再入院随访不完整(无法检测所有返回情况)、出院实践迅速变化,或者主要目标是问责制(再入院率)而非预防,则应避免使用。
局限与注意事项
- 模型性能取决于数据质量;不完整的随访或错误的再入院分类会使结果产生偏差
- 风险因素随时间变化(例如,新疗法、政策变化);模型需要定期重新校准
- 无法识别预防目标:知道患者风险高并不等同于知道哪种干预措施有效
- 风险评分是基于总体平均值;数据中未捕获的个体患者因素可能覆盖预测结果
- 实施需要工作流程整合;高风险标记只有在临床医生采取行动时才有效
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 客观识别高风险患者,减少主观的临床判断
- 将稀缺的预防资源(密集随访、家庭健康服务)集中用于需求最高的患者
- 可操作性:模型输出实时支持出院计划决策
- 通过预防过早出院引起的并发症来改善患者结局
- 通过预防昂贵的再入院来降低成本
应用
- 在出院时标记高风险患者,以便进行密集的护理协调、家庭健康转介和密切随访
- 通过比较高风险队列的再入院率来评估干预措施(心力衰竭诊所、家庭监测设备)的有效性
- 分配出院计划资源:哪些科室和病症导致了最多的再入院?
- 对医院质量进行基准比较:使用预测模型在调整病例组合后比较不同医院的再入院率
- 支持人口健康:识别有迫在眉睫再入院风险的社区居住患者,以便进行主动外展
使用方式
使用方式
从首次住院的电子健康记录中提取数据:患者人口统计学信息(年龄、性别)、临床严重程度(实验室数值、合并症、入院诊断)、治疗(手术、药物)和出院小结。随访患者以识别30天内的再入院情况(质量测量的标准指标)。
明确定义再入院(因急性病症紧急返回医院,而非计划内的择期手术再入院)。清理和标准化变量。处理缺失数据(根据缺失模式进行插补或删除)。创建派生变量(例如,根据ICD编码计算的合并症指数)。
进行单变量分析:比较再入院患者与未再入院患者的特征。识别与再入院在统计学上相关的变量。评估共线性与混杂。
构建逻辑回归或机器学习模型(随机森林、梯度提升),根据预选特征预测再入院风险。在保留的测试集上进行验证(80%训练,20%测试)。评估区分度(AUC-ROC)、校准度(预测风险与实际风险)和临床效用(不同阈值下的敏感性/特异性)。
为个体患者生成风险评分。使用评分标记高风险患者以进行针对性干预。评估模型随时间的漂移并定期重新校准。评估对标记患者的干预是否能降低再入院率。
常见陷阱
- 将医院再入院作为唯一结局;有些再入院是必要且适当的。必须进行病例组合的风险调整。
- 模型对训练数据的过拟合;务必在真正保留的测试数据上进行验证。使用交叉验证来估计实际表现。
- 依赖回归系数来理解因果关系;关联性并不意味着改变变量会改变风险
- 忽略类别不平衡:如果只有10%的患者再入院,那么预测所有患者“不再入院”的朴素模型准确率为90%,但毫无用处
- 在模型部署后未能监测性能;随着患者群体或出院实践的变化,模型校准会下降
常见问题
什么是30天再入院率,为什么它是标准?
30天再入院率是指患者出院后30天内再次入院的百分比。它是标准指标,因为它能捕捉到可能与首次住院和先前管理相关的再入院。一些指南使用7天或90天;具体取决于病症和政策背景。
如何处理转至其他医院的再入院?
理想情况下,应追踪区域内所有医院的再入院情况(需要数据共享或支付方索赔数据)。如果仅限于本机构,应承认院外再入院会被低估,这可能导致结果偏差。如果可用,请使用索赔数据。
哪些变量对再入院的预测性最强?
持续重要的变量包括:年龄、合并症(Charlson指数)、实验室异常(肾功能)、入院诊断(心力衰竭、COPD、肺炎、手术的再入院率高)、住院天数和出院去向(前往熟练护理机构与居家)。近期用药和社会因素(独居、交通)也很重要,但通常未被测量。
应该使用逻辑回归还是机器学习?
为了解释性和实施性,逻辑回归透明且适用于许多应用。机器学习通常能略微提高区分度(AUC),但会牺牲可解释性。从逻辑回归开始;如果您拥有大量数据并需要提高准确性,可以使用机器学习。
如何将风险评分转化为临床行动?
根据再入院率分布或临床共识定义风险类别(低、中、高)。为每个类别分配干预措施:低风险患者需要标准出院;高风险患者需要密集随访(家庭健康服务、48小时内门诊随访、电话外展)。监测干预措施是否能降低实际再入院率。
相关方法
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.
打开 DOI 文献已复制。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.
打开出版物文献已复制。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.
打开 DOI 文献已复制。