推定一次診療患者の時間消費を予測するための機械学習モデルの適用

科学分野:

• ヘルスインフォマティクス; ヘルスケアにおける機械学習; プライマリケア管理

背景:

• 医療費の増加と一次診療医の不足は、米国の医療システムに負担をかけています。効果的な医療提供には、効率的なリソース配分が不可欠です。一次診療の高利用率を予測することは、積極的な計画と介入の鍵となります。

研究 の 目的:

• 一次診療の利用を予測するための機械学習モデルであるFriedmanスコアを開発および評価すること。年間一次診療利用率が低い、高い、非常に高いグループに患者を分類すること。一次診療の高利用率の主な予測因子を特定すること。

主な方法:

• UCSD Healthの一次診療患者（2022-2023年）の構造化電子カルテデータを利用しました。年齢、診断、投薬、急性期ケアパターンなどの特徴を組み込んだ機械学習モデル（XGBoost）を開発しました。XGBoostを他の5つのアルゴリズムと比較ベンチマークし、特徴量の重要度についてSHAP分析を使用しました。

主要な成果:

• XGBoostを搭載したFriedmanスコアは、高い識別能力（AUC 0.78-0.89）と堅牢なキャリブレーションを示しました。特定された主な予測因子には、投薬量、年齢、慢性疾患の負担（特にうつ病）が含まれます。モデルは、患者を明確な利用グループに効果的に分類しました。

結論:

• Friedmanスコアは、一次診療の高利用率の患者を特定するための信頼性が高く解釈可能なツールを提供します。モデルからの実用的な洞察は、積極的でデータに基づいた一次診療提供を導くことができます。このアプローチは、ワークロード管理の最適化とターゲットを絞った患者介入をサポートします。