[논문 리뷰] A predictive analytics approach to reducing avoidable hospital readmission

Issac Shams, Saeede Ajorlou외 1명|arXiv (Cornell University)|2014. 02. 24.

Heart Failure Treatment and Management참고 문헌 57인용 수 8

한 줄 요약

이 논문은 심부전, 심근경색, 폐렴 및 만성 폐질환 환자에 대해 종합적인 환자 데이터를 활용하여 회피 가능한 병원 재입원을 식별하기 위한 새로운 예측 분석 프레임워크를 제안한다. 트리 기반 분류 모델을 통해 재입원 역사를 통합하고 동적 위험 요인의 변화를 반영함으로써, 메트로폴리탄 병원 관리국 데이터에서 뛰어난 분류 성능(c-통계치 >80%)과 校정성( calibration)을 달성한다.

ABSTRACT

Hospital readmission has become a critical metric of quality and cost of healthcare. Medicare anticipates that nearly $17 billion is paid out on the 20% of patients who are readmitted within 30 days of discharge. Although several interventions such as transition care management and discharge reengineering have been practiced in recent years, the effectiveness and sustainability depends on how well they can identify and target patients at high risk of rehospitalization. Based on the literature, most current risk prediction models fail to reach an acceptable accuracy level; none of them considers patient's history of readmission and impacts of patient attribute changes over time; and they often do not discriminate between planned and unnecessary readmissions. Tackling such drawbacks, we develop a new readmission metric based on administrative data that can identify potentially avoidable readmissions from all other types of readmission. We further propose a tree based classification method to estimate the predicted probability of readmission that can directly incorporate patient's history of readmission and risk factors changes over time. The proposed methods are validated with 2011-12 Veterans Health Administration data from inpatients hospitalized for heart failure, acute myocardial infarction, pneumonia, or chronic obstructive pulmonary disease in the State of Michigan. Results shows improved discrimination power compared to the literature (c-statistics>80%) and good calibration.

연구 동기 및 목표

• 기존의 위험 예측 모델이 환자 재입원 역력 및 위험 요인의 시간에 따른 변화를 고려하지 못하는 격차를 해소한다.
• 회피 가능한 재입원과 회피할 수 없는 재입원을 구분하여 표적 치료 개입을 지원한다.
• 심부전, 급성 심근경색, 폐렴 및 COPD와 같은 만성 질환의 재입원 예측 모델 정확도 및 校정성( calibration)을 향상시킨다.
• 관리 데이터를 활용한 확장 가능한, 데이터 기반 접근법을 개발하여 간호 조율을 위한 고위험 환자를 식별한다.
• 재입원 후 지원이 가장 유익할 가능성이 높은 환자에게 집중함으로써 의료 시스템이 회피 가능한 재입원과 관련 비용을 줄일 수 있도록 한다.

제안 방법

• 행정 데이터에서 유도된 새로운 재입원 지표를 제안하여 재입원을 잠재적으로 회피 가능한지 여부로 분류한다.
• 시간에 따른 재입원 확률을 모델링하기 위해 트리 기반 분류 알고리즘(예: 랜덤 포레스트 또는 유사 알고리즘)을 사용한다.
• 이전 입원력 및 변화하는 임상 위험 요인을 포함한 종단적 환자 데이터를 통합한다.
• 환자 특성의 변화를 병원 입원 기록 간의 변화를 캡처하여 시간 역학을 모델링한다.
• 미시간 소재 메트로폴리탄 병원 관리국의 2011–2012년 입원 데이터를 사용해 모델을 검증한다.
• 분류 성능 평가 지표로 c-통계치를, 모델 신뢰성 평가 지표로 校정성 플롯을 표준적으로 활용한다.

실험 결과

연구 질문

• RQ1 환자 재입원 역력 및 동적 위험 요인을 통합한 예측 모델이 회피 가능한 재입원 예측에서 더 높은 분류 성능를 달성할 수 있는가?
• RQ2 환자 특성의 시간적 변화를 포함할 경우, 정적 모델 대비 재입원 예측 정확도에 어떤 영향을 미치는가?
• RQ3 제안된 지표가 주요 만성 질환에서 회피 가능한 재입원과 회피할 수 없는 재입원을 어느 정도 잘 구분할 수 있는가?
• RQ4 심부작, 심근경색, 폐렴 및 COPD에서 기존 문헌에 보고된 벤치마크 대비 c-통계치 및 校정성에서 본 모델이 우월한가?
• RQ5 이 접근법은 행정 데이터를 활용하는 다른 의료 시스템으로 일반화될 수 있는가?

주요 결과

• 제안된 모델은 c-통계치가 80% 이상을 기록하여 회피 가능한 재입원 예측에서 강력한 분류 성능를 보였다.
• 모델은 양호한 校정성( calibration)을 보였으며, 예측 확률이 관측된 재입원 비율과 밀접하게 일치함을 의미한다.
• 이전 재입원 이력을 반영한 모델은 이 요소를 忽略하는 모델 대비 성능 향상이 뚜렷했다.
• 이 방법은 회피 가능한 재입원과 회피할 수 없는 재입원을 성공적으로 구분하여 표적 임상 개입을 가능하게 하였다.
• 분류 성능 및 校정성 측면에서 기존 문헌에 보고된 위험 예측 모델보다 본 모델이 뛰어났다.
• 본 방법은 실제 행정 데이터를 기반으로 한 메트로폴리탄 병원 관리국의 데이터에서 검증되어 실용적 적용 가능성을 뒷받침한다.