[論文レビュー] Identifying Diabetic Patients with High Risk of Readmission

Malladihalli S. Bhuvan, Ankit Kumar+2 more|arXiv (Cornell University)|Feb 12, 2016

Machine Learning in Healthcare参考文献 2被引用数 13

ひとこと要約

本研究では、糖尿病患者における短期および長期の再入院を予測するための機械学習フレームワークを開発した。臨床的および人口統計的特徴を用い、入院履歴、退院処置、検査回数などの主要なリスク要因を同定した。このモデルは高い再現率を達成し、高リスク患者に対する早期介入を可能にすることで、年間で2億5276万ドルのコスト削減が見込まれる。

ABSTRACT

Hospital readmissions are expensive and reflect the inadequacies in healthcare system. In the United States alone, treatment of readmitted diabetic patients exceeds 250 million dollars per year. Early identification of patients facing a high risk of readmission can enable healthcare providers to to conduct additional investigations and possibly prevent future readmissions. This not only improves the quality of care but also reduces the medical expenses on readmission. Machine learning methods have been leveraged on public health data to build a system for identifying diabetic patients facing a high risk of future readmission. Number of inpatient visits, discharge disposition and admission type were identified as strong predictors of readmission. Further, it was found that the number of laboratory tests and discharge disposition together predict whether the patient will be readmitted shortly after being discharged from the hospital (i.e. <30 days) or after a longer period of time (i.e. >30 days). These insights can help healthcare providers to improve inpatient diabetic care. Finally, the cost analysis suggests that \$252.76 million can be saved across 98,053 diabetic patient encounters by incorporating the proposed cost sensitive analysis model.

研究の動機と目的

• 糖尿病患者における短期再入院（30日未満）および長期再入院（30日超）を予測するため、機械学習を用いる。
• 特徴重要度およびアブレーションスタディを通じて、臨床的および人口統計的リスク要因を同定する。
• 関連ルールマイニングを用いてリスク要因の関連性を解明し、臨床的インサイトを提供する。
• コストセンシティブ分析を実施し、早期介入による実世界でのコスト削減を推定する。
• 医療機関が再入院とコストを削減できる包括的かつ実装可能なソリューションを提供する。

提案手法

• 130件の米国病院で収集された大規模かつバランスの取れたデータセットから得られた多次元的患者記録に、複数の機械学習分類器（例：XGBoost、ランダムフォレスト）を適用した。
• コストセンシティブ学習を用い、再現率を最優先にすることで、高リスク患者の高い検出率を確保した—これは臨床的リスク管理において極めて重要である。
• アブレーションスタディを実施し、特徴の重要度を順位付けし、入院履歴、退院処置、入院タイプが上位の予測要因であると同定した。
• 関連ルールマイニングを用いて、共起するリスクパターン（例：人種、性別、診断）を発見した。
• 予測モデルにA1C検査結果、インスリン使用状況、治療の変更を重要な臨床指標として統合した。
• 予測された再入院に基づくコスト分析を実施し、標的介入によるコスト削減を推定した。

実験結果

リサーチクエスチョン

• RQ1 糖尿病患者における短期および長期の再入院リスクを予測する上で、どの臨床的および人口統計的特徴が最も予測的か？
• RQ2 再現率に重点を置いた場合、異なる機械学習モデルは再入院予測においてどのように性能を発揮するか？
• RQ3 再入院リスクを示唆するリスク要因間の主要な関連性は何か？
• RQ4 実世界の医療環境においてリスク予測システムを導入することで、どの程度のコスト削減が見込まれるか？
• RQ5 短期および長期の再入院予測を併用することで、臨床意思決定はどのように向上するか？

主な発見

• 入院履歴の回数、退院処置、入院タイプが、再入院リスクの予測において最も強い要因であると同定された。
• 検査回数と退院処置の組み合わせが、短期再入院リスクと長期再入院リスクを効果的に区別できた。
• コストセンシティブな機械学習モデルは、98,053件の糖尿病患者の症例において、年間で2億5276万ドルのコスト削減が見込まれると予測した。
• 関連ルールマイニングにより、臨床的に意味のあるパターンが明らかになった。例えば、特定の診断（例：786.0、401.0）を有する白人女性は、長期再入院リスクが高くなる傾向にあった。
• A1C検査結果が「なし」と判定され、インスリン使用が「いいえ」の患者は、30日以内に再入院する確率が10.23％であった。これは高リスクプロファイルを示している。
• 退院処置ID = 1（自宅へ退院）かつ入院来院元ID = 7（救急外来）の組み合わせでは、再入院率が9.93％に達し、システム全体のリスクパターンを浮き彫りにした。