基于机器学习的预测模型,用于90天全关节关节整形术的再入院,使用全面的电子健康记录和患者报告的结果测量

科学领域:

• 整形外科手术 整形外科手术
• 医疗信息学 医疗信息学
• 预测分析是一种预测分析.

背景情况:

• 鼓励医院减少出院后的不良事件,包括在全关节整形术 (TJA) 后的意外再入院.
• 电子健康记录 (EHR) 和患者报告结果测量 (PROM) 为预测这些再入院提供了丰富的数据.

研究的目的:

• 使用EHR和PROM数据预测90天TJA再入院的情况.
• 确定与TJA再录取相关的关键风险因素.

主要方法:

• 追溯分析TJA从2016-2019年重新接收的情况.
• 机器学习模型的开发和比较,使用护理特征和手术前PROM.
• 逻辑回归用于解释性和识别重大风险因素.

主要成果:

• 机器学习模型实现了高预测性能 (AUC>0.8),尽管数据不平衡 (5.8%的再录取率).
• 确定的风险因素包括糖尿病,特定的入院前药物 (NSAID,皮质类固醇,麻醉药),熟练护理机构的出院,以及出院后的行为.
• 自我报告的对社会活动的低信心成为重新入境的重要预测因素.

结论:

• 机器学习模型可以有效地识别具有TJA再入院高风险的患者.
• 针对高风险患者的有针对性的资源分配可以改善结果.
• 评估患者对社会活动的信心,可以作为重新接收风险的有价值的预测指标.