[论文解读] 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 3

一句话总结

本研究开发了一种分层非线性混合效应脆弱性模型，利用人口统计学数据和既往再入院历史，预测美国退伍军人事务部（VA）患者的30天再入院风险。该模型同时捕捉了个案层面和总体人群层面的变异，相较于标准方法，能更准确地识别高风险患者，从而实施针对性的出院后干预措施。

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.

研究动机与目标

• 通过统计建模识别高风险患者，以减少美国退伍军人中可预防的再入院率。
• 通过整合患者特异性和机构层面的再入院模式变异，弥补现有风险预测的不足。
• 开发一种稳健的分层模型，以考虑患者和医疗机构之间再入院风险的未观测异质性。
• 通过识别最可能不遵守出院指导的患者，改善出院后的护理协调。
• 使用密歇根州四家VA医疗机构的真实世界数据验证模型的预测性能。

提出的方法

• 本研究采用具有随机效应的分层非线性混合效应模型，以考虑患者和医疗机构层面的未观测异质性。
• 在Cox比例风险框架中引入脆弱性项，以建模时间至事件结果（30天再入院）。
• 将一般人口统计信息和个体既往再入院记录作为协变量整合进模型。
• 使用最大似然法进行参数估计，以在混合效应结构下优化似然函数。
• 该模型结构可同时解释患者特异性风险和总体再入院率的变异。
• 使用密歇根州四家VA医疗中心的真实数据评估模型性能。

实验结果

研究问题

• RQ1 分层脆弱性模型在预测VA患者队列30天再入院风险方面的表现如何？
• RQ2 哪些患者层面和机构层面的因素显著影响再入院风险的变异？
• RQ3 与固定效应模型相比，引入随机效应在多大程度上提升了预测准确性？
• RQ4 该模型能否有效识别出不遵守出院后护理方案的高风险患者？
• RQ5 该模型在平衡个体层面风险与更广泛总体再入院趋势之间如何实现平衡？

主要发现

• 脆弱性模型在捕捉未观测异质性方面显著优于标准逻辑回归模型，从而更准确地预测30天再入院风险。
• 患者层面因素（如年龄、诊断和既往再入院史）是未来再入院的强预测因子。
• 机构层面的随机效应揭示了所研究的四家VA医疗机构之间再入院率存在显著差异。
• 该模型能更精确地识别出高风险患者，从而支持针对性的出院后干预。
• 引入脆弱性项显著改善了模型拟合度，并解释了再入院结果中相当一部分的残差变异。
• 该方法在VA等大型医疗系统中展现出良好的稳健性和可扩展性。