[论文解读] 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 8

一句话总结

本文提出了一种新颖的预测分析框架，利用纵向患者数据识别可避免的医院再入院。通过整合再入院历史和基于树模型的动态风险因素变化，该框架在退伍军人健康管理局针对心力衰竭、心肌梗死、肺炎和慢性阻塞性肺病患者的数据库中，实现了优越的区分度（c统计量 >80%）和校准度。

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.

研究动机与目标

• 填补现有风险预测模型未能考虑患者再入院历史和风险因素随时间变化的空白。
• 区分可避免与不可避免的再入院，以支持针对性干预。
• 提高对心力衰竭、急性心肌梗死、肺炎和慢性阻塞性肺病等慢性疾病再入院预测模型的准确性和校准度。
• 开发一种可扩展的、基于数据驱动的方法，利用行政索赔数据识别高风险患者以支持护理协调。
• 使医疗系统能够通过聚焦于最可能从出院后支持中受益的患者，减少可避免的再入院及其相关成本。

提出的方法

• 提出一种基于行政数据的新再入院指标，用于将再入院分类为可能可避免或不可避免。
• 使用基于树的分类算法（如随机森林或类似方法）对随时间推移的再入院概率进行建模。
• 整合纵向患者数据，包括既往住院史和不断变化的临床风险因素。
• 通过捕捉住院事件期间患者特征的变化来建模时间动态。
• 使用密歇根州退伍军人健康管理局2011–2012年的住院数据对模型进行验证。
• 采用标准评估指标，如c统计量衡量区分度，校准图评估模型可靠性。

实验结果

研究问题

• RQ1 能否通过整合患者再入院历史和动态风险因素的预测模型，在预测可避免再入院方面实现更高的区分度？
• RQ2 与静态模型相比，纳入患者特征的时间变化对再入院预测准确性有何影响？
• RQ3 所提出的指标在主要慢性疾病中多大程度上能有效区分可避免与不可避免的再入院？
• RQ4 在心力衰竭、心肌梗死、肺炎和慢性阻塞性肺病方面，该模型是否在c统计量和校准度上优于现有文献中的基准模型？
• RQ5 该方法是否可推广至其他利用行政数据的医疗系统？

主要发现

• 所提出的模型实现了c统计量大于80%，表明其在预测可避免再入院方面具有强大的区分度。
• 该模型表现出良好的校准度，即预测概率与实际再入院率高度一致。
• 与忽略该因素的模型相比，整合患者既往再入院史显著提升了模型性能。
• 该方法成功区分了可避免与不可避免的再入院，从而支持针对性的临床干预。
• 在区分度和校准度两方面，该模型均优于文献中报道的现有风险预测模型。
• 该方法已在退伍军人健康管理局的真实行政数据上得到验证，支持其实际应用价值。