[論文レビュー] A predictive analytics approach to reducing avoidable hospital readmission

Issac Shams, Saeede Ajorlou+1 more|arXiv (Cornell University)|Feb 24, 2014

Heart Failure Treatment and Management参考文献 57被引用数 8

ひとこと要約

本論文は、縦断的患者データを用いて避けることができる入院再入院を特定するための革新的な予測分析フレームワークを提案する。木ベースの分類モデルを用いて再入院履歴と動的なリスク要因の変化を統合することで、心不全、心筋梗塞、肺炎、COPDの患者に対して、バーティランス保健管理庁のデータで優れた区別能（c統計量 >80％）と適合性を達成した。

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.

研究の動機と目的

• 既存のリスク予測モデルが再入院履歴やリスク要因の時間的変化を十分に考慮していないというギャップに対処する。
• 介入を的確に支援できるように、避けることができる再入院と避けることができない再入院を区別する。
• 心不全、急性心筋梗塞、肺炎、COPDなどの慢性疾患の再入院予測モデルの正確性と適合性を向上させる。
• 管理請求データを活用したスケーラブルでデータ駆動型のアプローチを開発し、高リスク患者を特定してケア連携を支援する。
• 退院後の支援を受けられると予想される患者に焦点を当てることで、医療システムが避けることができる再入院と関連費用を削減できるようにする。

提案手法

• 行政データから導出された新たな再入院指標を提案し、再入院を避けることができるものかどうか分類する。
• 時間経過にわたる再入院の確率をモデル化するために、木ベースの分類アルゴリズム（例：ランダムフォレストまたは類似手法）を用いる。
• 以前の入院履歴や変化する臨床的リスク要因を含む縦断的患者データを統合する。
• 入院エピソードごとの患者属性の変化を捉えることで、時間的ダイナミクスをモデル化する。
• ミシガン州のバーティランス保健管理庁の2011年から2012年の入院データを用いてモデルを検証する。
• 区別能の評価にc統計量、モデルの信頼性の評価に適合性プロットを含む標準的な評価指標を用いる。

実験結果

リサーチクエスチョン

• RQ1 再入院履歴と動的なリスク要因を統合した予測モデルは、避けることができる再入院を予測する際に、より優れた区別能を示すか？
• RQ2 患者属性の時間的変化を組み込むことで、静的モデルと比較して再入院予測の正確性がどのように向上するか？
• RQ3 提案された指標は、主な慢性疾患における避けることができる再入院と避けることができない再入院をどの程度明確に区別できるか？
• RQ4 心不全、心筋梗塞、肺炎、COPDにおいて、c統計量と適合性の観点で、既存の文献に報告されたベンチマークを上回る性能を示すか？
• RQ5 このアプローチは、行政データを用いた他の医療システムにも一般化可能か？

主な発見

• 提案されたモデルはc統計量が80％を超えることを達成し、避けることができる再入院の予測において強力な区別能を示した。
• モデルは良好な適合性を示しており、予測確率が観察された再入院率とよく一致している。
• 以前の再入院履歴を組み込むことで、この要因を無視するモデルと比較して、モデルの性能が顕著に向上した。
• 本手法は、避けることができる再入院と避けることができない再入院を効果的に区別でき、的確な臨床的介入を可能にした。
• 区別能と適合性の両面で、既存の文献に報告されたリスク予測モデルを上回る性能を示した。
• 本アプローチは、実世界のバーティランス保健管理庁の行政データを用いて検証されており、実用的応用性を裏付けた。