使用机器学习模型来识别与后宫融合后30天再入院相关的因素:一个纵向队列研究
Aneysis D Gonzalez-Suarez1, Paymon G Rezaii1, Daniel Herrick1
1Department of Neurosurgery, Stanford University, Stanford, CA, USA.
Neurospine
|May 20, 2024
概括
机器学习模型,特别是渐变增强机 (GBM),在预测后宫融合 (PCF) 后再入院的过程中明显优于传统的后勤回归. GBM模型为PCF再接收预测提供了卓越的准确性和预计的成本节省.
科学领域:
- 脊柱手术研究结果研究结果
- 医疗信息学和机器学习
背景情况:
- 在后宫融合 (PCF) 后,高回收率 (高达12%) 导致患者和医疗保健成本显著.
- 现有的预测模型可能无法完全捕捉影响再录取的复杂的因素间相互作用.
研究的目的:
- 将机器学习 (ML) 模型的预测性能与传统的后勤回归 (LR) 进行比较,以确定与PCF后30天再录取相关的因素.
- 评估实施高级预测算法所带来的潜在成本节约.
主要方法:
- 利用Optum Clinformatics Data Mart数据库 (2004-2017年) 来识别接受PCF的患者.
- 开发和评估了五种ML模型,包括多变量LR (MLR),并确定了梯度增强机 (GBM) 作为表现最好的机器.
- 将GBM模型的预测准确度和成本节约潜力与LACE指数进行了比较.
主要成果:
- 该研究包括4,130名患者,其中874人在30天内重新入院.
- GBM确定了患者出院状态,收取入院费用和住院时间作为关键因素,在预测非计划再入院方面表现优于MLR (AUC 0.846与0.829,p <0.001).
- 与LACE指数相比,GBM模型预测的平均成本节省比LACE指数高50%.
结论:
- 梯度增强机 (GBM) 模型展示了卓越的预测性能,稳定性和准确性,用于识别PCF再接收风险.
- 不同的因素影响了MLR和GBM模型,建议对综合风险评估进行互补使用.
- GBM模型提供了增强的预测能力和显著的理论成本节省,用于管理PCF相关的 readmissions.
