癌症患者的30天非计划性医院再入院和健康社会决定因素的影响:一种机器学习方法

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 在癌症护理中,无计划的再入院是癌症护理的一个重大挑战.
• 识别高风险再接收的患者对于资源分配和患者的治疗结果至关重要.

研究的目的:

• 开发和验证一种特定于癌症的机器学习 (ML) 模型,用于预测固体瘤患者的30天无计划再入院.
• 确定与再接收风险相关的关键临床和社会健康决定因素 (SDOH) 因素.

主要方法:

• 分析了两个成年患有固体瘤的患者队列:一个有详细的SDOH数据,一个没有详细的SDOH数据.
• 基于树的ML模型经过训练,验证,并使用时间分区数据进行测试 (70%的训练,20%的验证,10%的测试).
• 模型性能使用包括ROC,AUC,精度,回忆和准确性在内的指标进行评估.

主要成果:

• 在包括的13,717名患者中,有21.3%的患者在30天内重新入院.
• 最重要的非SDOH预测因素包括以前的再入院,并发病率得分和入院类型.
• 关键的SDOH预测指标包括社区犯罪,收入和财富指数.

结论:

• 一个针对癌症的ML模型可以准确地识别高风险的患者无计划的医院再入院.
• 临床因素和SDOH都是癌症患者再接收风险的关键驱动因素.
• 整合SDOH数据增强了ML模型对癌症患者再入院的预测能力.