通过整合来自家庭医疗保健笔记的见解来增强再接收预测模型:回顾性队列研究

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健服务研究 医疗服务研究
• 临床数据科学 临床数据科学

背景情况:

• 再入院是护理质量的关键指标,也是主要的成本驱动因素.
• 当前的预测模型往往忽视了家庭医疗保健笔记中的宝贵见解.
• 自然语言处理 (NLP) 和机器学习为改进再接收预测提供了潜力.

研究的目的:

• 使用家庭医疗保健笔记和结构化数据开发30天的医院再入院预测模型.
• 探索14天和180天预测模型的发展,并结合30天模型的见解.
• 评估整合来自家庭医疗保健笔记的非结构化数据的模型的性能.

主要方法:

• 一项回顾性观察性队列研究,利用来自1819名参与者的电子健康记录.
• 两个模型的开发:传统的 (仅结构化数据) 和共同的数据模型 (CDM) -NLP (结构化数据 + 从家庭医疗保健笔记中获得的NLP衍生主题).
• 使用BERTopic进行话题生成,并使用接收器操作特征曲线 (AUROC) 下面的区域评估模型性能.

主要成果:

• 与传统模型 (0.739) 相比,CDM-NLP模型实现了显著更高的AUROC (0.824),用于30天再接收预测.
• 在家庭医疗笔记中发现的关键话题包括情绪困扰,日常生活,营养和心肺呼吸系统问题.
• 在14天和180天的预测窗口中,CDM-NLP模型始终优于传统模型.

结论:

• 家庭医疗保健笔记包含了提高医院再入院预测的关键信息.
• 从非结构化的临床笔记中整合NLP衍生特征显著提高了预测模型的性能.
• 这种方法提供了一种更全面的策略,用于识别有再入院风险的患者.