[論文レビュー] Heterogeneous readmission prediction with hierarchical effect decomposition and regularization

Ziren Jiang, Lingfeng Huo+4 more|arXiv (Cornell University)|Mar 20, 2026

Machine Learning in Healthcare被引用数 0

ひとこと要約

tldr: The paper introduces hierNest, a hierarchical re-parameterization and regularization framework to predict readmission risk across DRG subgroups within MDCs, borrowing strength while preserving interpretability.

ABSTRACT

Accurately predicting hospital readmission risks using electronic health records (EHRs) is critical for effective patient management and healthcare resource allocation. Patient populations in health systems are highly heterogeneous across different primary diagnoses, necessitating tailored yet interpretable prediction models. We propose a hierarchical modeling framework incorporating hierarchical nested re-parameterization and structured regularization methods, which we call hierNest. Specifically, our approach leverages the inherent hierarchical structure present in primary diagnoses and groupings of these diagnoses into major diagnostic categories. Our methodology facilitates information borrowing across related patient subgroups and preserves interpretability at different hierarchical levels. Simulation studies demonstrate superior predictive accuracy of the proposed method, particularly with small subgroup sample sizes and varying degrees of hierarchical effects. We apply our methods to a large EHR dataset comprising Medicare patients.

研究の動機と目的

• 目的を明確にする: 異質な患者集団内での再入院リスク予測の正確性を動機づける。
• MDC-DRG階層構造を活用して関連サブグループ間で強さを借りる。
• 大規模で高次元のEHR共変量に対して解釈可能なサブグループ対応リスクモデルを開発する。
• 大規模臨床データに適した計算効率の高いフレームワークを提供する。

提案手法

• DRG特異効果を共通効果、MDC特異効果、DRG特異効果の和として再パラメータ化する。
• MDCsとDRGs内の類似性を促進するためにlassoまたは重複グルスパラメータを用いた階層的効果を正則化する。
• 標準的なlassoソフトウェア用に hierNest 分解を符号化する改良設計行列 X_H を使用する。
• 必要に応じて主要化最小化アルゴリズムを用いた重複グルスラで効率的な計算を実現する。
• 交差検証を通じてペナルティを調整し、階層レベル全体での解釈可能性を確保する。

Figure 1: Illustration of the hierarchical nested structure of the DRGs and MDCs and how our parameter decomposition aligns with this structure.

実験結果

リサーチクエスチョン

• RQ1 階層的再パラメータ化はMDC内の関連DRG間で強さを借りることで再入院予測を改善できるか。
• RQ2 正則化スキーム（lassoおよび重複グルスラ）はサブグループ別の正確で解釈可能な効果を提供するか。
• RQ3 hierNest は小規模サブグループのサンプルサイズがある高次元のEHR設定でどう機能するか。
• RQ4 大規模な臨床データセットに対してこのアプローチは計算的に実現可能か。

主な発見

• シミュレーション研究は hierNest の予測精度が優れており、特に小さなサブグループサイズと階層効果のばらつきに対して顕著である。
• 60,000件超の観測と100万を超えるパラメータを含むメディケアデータセットに適用した場合、10分割交差検証で数時間以内に実行される。
• グローバルからMDCレベルおよびDRGレベルの共変量効果まで、解釈可能性を維持する。
• ペナルティは MDC 内の DRG 間での強さを適応的に借用させ、適切な場合には効果をまとめる。

Figure 3: Average AUROC across all DRG subgroups for different methods. The sample size $n$ here represents the sample size for each DRG.