[論文レビュー] Predicting patient risk of readmission with frailty models in the Department of Veteran Affairs

Saeede Ajorlou, Issac Shams+1 more|arXiv (Cornell University)|Mar 5, 2014

Healthcare Policy and Management参考文献 15被引用数 3

ひとこと要約

本研究では、米国ベテラン局（VA）患者の人口統計データと過去の再入院歴を用いて、30日以内の再入院リスクを予測する階層的非線形混合効果フレイルティーモデルを開発した。このモデルは、個別レベルと集団レベルのばらつきを捉え、標準的手法よりも精度の高い個別化された介入が可能な高リスク患者を同定する。

ABSTRACT

Reducing potentially preventable readmissions has been identified as an important issue for decreasing Medicare costs and improving quality of care provided by hospitals. Based on previous research by medical professionals, preventable readmissions are caused by such factors as flawed patient discharging process, inadequate follow-ups after discharging, and noncompliance of patients on discharging and follow up instructions. It is also found that the risk of preventable readmission also may relate to some patient's characteristics, such as age, health condition, diagnosis, and even treatment specialty. In this study, using both general demographic information and individual past history of readmission records, we develop a risk prediction model based on hierarchical nonlinear mixed effect framework to extract significant prognostic factors associated with patient risk of 30-day readmission. The effectiveness of our proposed approach is validated based on a real dataset from four VA facilities in the State of Michigan. Simultaneously explaining both patient and population based variations of readmission process, such an accurate model can be used to recognize patients with high likelihood of discharging non-compliances, and then targeted post-care actions can be designed to reduce further rehospitalization.

研究の動機と目的

• 統計的モデリングを用いて高リスク患者を同定することで、米国ベテランにおける予防可能な病院再入院を削減すること。
• 再入院パターンにおける患者固有要因と施設レベルのばらつきを組み込むことで、現在のリスク予測におけるギャップを埋めること。
• 患者および施設間の再入院リスクにおける観察されない異質性を考慮する、堅牢な階層的モデルの開発。
• 退院後の指示に従わないリスクが最も高い患者を同定することで、退院後のケア連携の改善。
• ミシガン州の4つのVA病院から得た実世界のデータを用いて、モデルの予測性能を検証すること。

提案手法

• 本研究では、患者および施設レベルにおける観察されない異質性を考慮するため、ランダム効果を組み込んだ階層的非線形混合効果モデルを採用した。
• フレイルティ項をコックス比例ハザードフレームワークに組み込み、時間-イベントアウトカム（30日以内の再入院）をモデル化した。
• 一般的人口統計情報と個別的な過去の再入院記録を共変量として統合した。
• 混合効果構造下での尤度関数の最適化を目的として、最尤法によるパラメータ推定を実施した。
• モデル構造により、患者固有のリスクと再入院率の集団レベルでのばらつきを同時に説明可能である。
• モデルの性能は、ミシガン州の4つのVA医療センターから得た実データを用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 階層的フレイルティーモデルは、VA患者の集団における30日以内の再入院リスクをどの程度正確に予測できるか？
• RQ2 患者レベルおよび施設レベルの要因の中で、再入院リスクのばらつきに顕著に寄与する要因は何か？
• RQ3 ランダム効果を組み込むことで、固定効果モデルと比較して予測精度がどの程度向上するか？
• RQ4 本モデルは、退院後のケアプロトコルに従わないリスクが高いかを同定できるか？
• RQ5 モデルは、個別レベルのリスクと再入院パターンにおける広範な集団レベルのトレンドの両方をどの程度バランスよく扱えるか？

主な発見

• フレイルティーモデルは、観察されない異質性を捉えることで、標準的なロジスティック回帰モデルよりも顕著に30日以内の再入院リスクの予測精度を向上させた。
• 年齢、診断、および過去の再入院歴といった患者レベルの要因が、将来の再入院の強力な予測要因であった。
• 施設レベルのランダム効果から、4つの研究対象VA病院間で再入院率に顕著なばらつきが明らかになった。
• 本モデルは、高リスク患者をより正確に同定でき、標的型の退院後ケア介入を可能にした。
• フレイルティ項の導入により、モデルの適合度が向上し、再入院結果における残差ばらつきの大部分を説明できた。
• 本手法は、VAのような大規模医療システムにおける応用において、堅牢性とスケーラビリティを示した。