高利用率の患者を予測するための機械学習モデルを組み立てる: モデル検証と経済影響分析

科学分野:

• 医療情報工学 医療情報工学
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.
• 予測型アナリティクス (Predictive Analytics) とは,予測型アナリティクス (Predictive Analytics) を意味する.

背景:

• 機械学習モデルは,高いヘルスケア利用率を予測するためにますます利用されています.
• リスクのある患者の早期発見は,標的を絞った介入を可能にします.

研究 の 目的:

• 医療における使用のための多クラスアンサンブルモデルの予測性能を評価する.
• 現実世界のシナリオにおけるこれらのモデルの経済的影響を評価する.

主な方法:

• 4つのバイナリ分類モデル (ブーストツリー,MARS,MLP,ロジスティック回帰) は,スタッキングアンサンブルアプローチを使用して拡張されました.
• マルチクラスモデルでは,定義された層全体で滞在期間 (LOS) と緊急治療室 (ED) の訪問を予測しました.
• アンサンブルモデルは2020-2021年のデータでトレーニングされ,AUC,精度,および混乱マトリックスメトリックを使用して2021-2022年のデータで検証されました.

主要な成果:

• 強化されたツリーアンサンブルモデルが最高パフォーマンスを示し,LOSでは0.6877のAUCスコア,ED訪問では0.7601のAUCスコアを達成しました.
• モデルは,入院中のLOSの30.3%とED訪問の39.8%を正しく分類し,将来の入院患者の77%と将来のEDユーザーの73.9%を特定しました.
• 経済分析では,物流回帰ベースの学習者を用いた強化されたツリーモデルで,平均コスト削減1億1,000万米ドルを予測した.

結論:

• マルチクラスアンサンブルモデルは,多層のヘルスケア利用を効果的に予測します.
• これらのモデルは,大幅なコスト削減の可能性を提供し,ターゲットを絞った介入を支援します.
• この発見は,人口保健プログラム,特に糖尿病のような疾患のための計画と予算の策定を導くことができます.