[논문 리뷰] Predicting patient risk of readmission with frailty models in the Department of Veteran Affairs

Saeede Ajorlou, Issac Shams외 1명|arXiv (Cornell University)|2014. 03. 05.

Healthcare Policy and Management참고 문헌 15인용 수 3

한 줄 요약

이 연구는 미군 복지부(VA) 환자의 연령, 성별, 기저 질환 등의 인구통계학적 자료와 과거 재입원 이력을 활용하여 30일 이내 재입원 위험을 예측하기 위해 계층적 비선형 혼합효과 프rail티 모델을 개발한다. 이 모델은 개인 수준과 인구 집단 수준의 변동성을 모두 반영하여 표준적 접근 방식보다 정확도를 높여 고위험 환자를 식별하고, 맞춤형 퇴원 후 간호 조치를 시행할 수 있다.

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.

연구 동기 및 목표

• 통계 모델링을 통해 예방 가능한 병원 재입원을 줄이고 미군 복지부(VA) 환자 중 고위험 환자를 식별함으로써 U.S. 복지부 환자들의 재입원을 줄이기 위해.
• 현재의 위험 예측 방법의 한계를 보완하기 위해 환자별 및 기관 수준의 재입원 패턴 변동성을 통합함으로써.
• 환자 및 기관 간 재입원 위험의 관측되지 않은 이질성을 반영하는 강력한 계층적 모델을 개발하기 위해.
• 퇴원 후 지침 이행에 대한 비준수 위험이 높은 환자를 식별함으로써 퇴원 후 간호 조율을 향상시키기 위해.
• 미시간 주에 소재한 네 곳의 VA 의료기관에서 수집한 실제 데이터를 사용하여 모델의 예측 성능을 검증하기 위해.

제안 방법

• 연구는 환자 및 기관 수준의 관측되지 않은 이질성을 반영하기 위해 무작위 효과를 포함한 계층적 비선형 혼합효과 모델을 사용한다.
• 시간-사건 결과(30일 이내 재입원)를 모델링하기 위해 프rail티 항목을 코ックス 비례 위험 모델에 통합한다.
• 일반적인 인구통계학적 정보와 개인의 과거 재입원 기록을 공변량으로 통합한다.
• 혼합효과 구조 하에서 가능도 함수를 최적화하기 위해 최대우도 추정 방법을 사용한다.
• 모델 구조는 환자별 위험과 재입원율의 인구 집단 수준 변동성을 동시에 설명할 수 있도록 한다.
• 모델 성능 평가는 미시간 주에 소재한 네 곳의 VA 의료기관에서 수집한 실제 데이터를 사용하여 평가한다.

실험 결과

연구 질문

• RQ1 계층적 프rail티 모델은 VA 환자 집단에서 30일 이내 재입원 위험을 얼마나 잘 예측할 수 있는가?
• RQ2 환자 수준 및 기관 수준의 요인 중 재입원 위험의 변동성에 기여하는 주요 요인는 무엇인가?
• RQ3 무작위 효과를 통합함으로써 고정효과 모델 대비 예측 정확도가 얼마나 향상되는가?
• RQ4 모델은 퇴원 후 간호 지침을 이행하지 않을 가능성이 높은 환자를 식별할 수 있는가?
• RQ5 모델은 환자 수준의 위험과 재입원 패턴의 보편적 인구 집단 수준 추세 사이에서 얼마나 균형을 이루는가?

주요 결과

• 프rail티 모델은 관측되지 않은 이질성을 반영함으로써 표준 로지스틱 회귀 모델보다 30일 이내 재입원 위험 예측에서 유의미하게 뛰어난 성능을 보였다.
• 나이, 진단, 과거 재입원 이력과 같은 환자 수준의 요소들이 향후 재입원의 강력한 예측 변수로 나타났다.
• 기관 수준의 무작위 효과는 연구된 네 곳의 VA 기관 간 재입원율의 상당한 변동성을 드러냈다.
• 모델은 높은 위험 환자를 더 정밀하게 식별하여 맞춤형 퇴원 후 간호 조치를 시행할 수 있도록 했다.
• 프rail티 항목의 통합은 모델 적합도를 향상시키고 재입원 결과의 잔차 변동성의 상당 부분을 설명하였다.
• 이 방법은 VA와 같은 대규모 의료 시스템에서의 적용에 있어 강건성과 확장성을 입증하였다.