[论文解读] Predicting Risk-of-Readmission for Congestive Heart Failure Patients: A Multi-Layer Approach

Kiyana Zolfaghar, Nele Verbiest+8 more|arXiv (Cornell University)|Jun 10, 2013

Heart Failure Treatment and Management参考文献 17被引用 14

一句话总结

本文提出一种多层分类方法，通过依次建模一般风险、60天内风险和30天内风险，预测充血性心力衰竭（CHF）患者30天内再入院风险。采用分阶段的分类器并结合定制化特征与模型，该方法在来自Multicare Health Systems的真实医院数据上显著优于单层方法，通过分层决策机制提升了预测准确性。

ABSTRACT

Mitigating risk-of-readmission of Congestive Heart Failure (CHF) patients within 30 days of discharge is important because such readmissions are not only expensive but also critical indicator of provider care and quality of treatment. Accurately predicting the risk-of-readmission may allow hospitals to identify high-risk patients and eventually improve quality of care by identifying factors that contribute to such readmissions in many scenarios. In this paper, we investigate the problem of predicting risk-of-readmission as a supervised learning problem, using a multi-layer classification approach. Earlier contributions inadequately attempted to assess a risk value for 30 day readmission by building a direct predictive model as opposed to our approach. We first split the problem into various stages, (a) at risk in general (b) risk within 60 days (c) risk within 30 days, and then build suitable classifiers for each stage, thereby increasing the ability to accurately predict the risk using multiple layers of decision. The advantage of our approach is that we can use different classification models for the subtasks that are more suited for the respective problems. Moreover, each of the subtasks can be solved using different features and training data leading to a highly confident diagnosis or risk compared to a one-shot single layer approach. An experimental evaluation on actual hospital patient record data from Multicare Health Systems shows that our model is significantly better at predicting risk-of-readmission of CHF patients within 30 days after discharge compared to prior attempts.

研究动机与目标

• 通过在多个顺序阶段处理问题，提高对CHF患者30天内再入院风险的预测准确性。
• 克服先前单层模型的局限性，这些模型直接预测30天内风险，而未进行中间风险评估。
• 通过为每个风险预测阶段使用不同的模型、特征和训练数据，实现更自信和准确的风险诊断。
• 在Multicare Health Systems提供的真实患者数据上评估模型性能。
• 证明与直接一次性建模相比，分阶段分类可提升预测性能。

提出的方法

• 将问题分解为三个顺序阶段：(a) 再入院的一般风险，(b) 60天内的风险，以及 (c) 30天内的风险。
• 每个阶段均使用针对相关特征和数据子集训练的专用分类器，实现模型专业化。
• 根据不同子任务的适用性，为每个阶段选择合适的机器学习模型。
• 特征按阶段进行定制，随着预测窗口缩小，逐步聚焦于更具临床相关性的变量。
• 模型采用级联预测流水线：患者依次通过每一层，逐步细化风险估计。
• 该方法利用来自Multicare Health Systems的真实电子健康记录数据来训练和验证分类器。

实验结果

研究问题

• RQ1 与单层模型相比，多层分类方法是否能显著提升30天CHF再入院风险的预测准确性？
• RQ2 将预测问题分阶段为一般风险、60天内风险和30天内风险，是否能提升模型性能和诊断置信度？
• RQ3 能否在每个阶段有效应用不同的分类器和特征，以提升整体预测能力？
• RQ4 在真实临床数据上，该方法与先前方法相比，预测性能如何？
• RQ5 在每个阶段进行特征选择和模型专业化，对最终预测准确性有何影响？

主要发现

• 多层方法在预测30天CHF再入院风险方面显著优于先前的单层模型。
• 分阶段分类框架通过为每个阶段使用专业化模型，实现了更高置信度和更准确的风险诊断。
• 与统一的一次性方法相比，为每个阶段使用不同特征和训练数据可提升模型性能。
• 该方法在Multicare Health Systems的真实患者数据上表现出更优的预测性能。
• 结果证实，顺序风险建模可增强在出院前识别高风险患者的能力。
• 该方法提供的风险评估比直接预测模型更具细致性与临床可操作性。