Skip to content
返回搜索结果

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

字号

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

1

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)。

2

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)。

3

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。

4

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)。

5

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

  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.

    打开 DOI 文献
    已复制。
  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.

    打开出版物文献
    已复制。
  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.

    打开 DOI 文献
    已复制。