基于机器学习的预测高医疗保健用户使用多机构糖尿病登记:模型培训和评估

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 人口健康管理 人口健康管理

背景情况:

• 医疗保健成本的上升需要创新的预测解决方案.
• 机器学习 (ML) 提供了识别高医疗保健用户的潜力.
• 以前的ML模型专注于财务负担,限制了长期成本降低机会.

研究的目的:

• 开发和验证ML模型,以预测未来的医疗保健利用在各种服务值.
• 在糖尿病人群中确定高医疗保健服务利用率的关键预测因素.
• 评估开发的ML模型的可解释性和现实世界的有效性.

主要方法:

• 利用多机构糖尿病数据库 (2019年数据) 进行模型开发.
• 开发了6个利用结果的二进制分类模型 (例如,逗留时间,急诊室访问).
• 采用过量抽样技术来发现类不平衡,并使用AUC,灵敏度和PPV评估模型;进行可解释性分析.

主要成果:

• 在对类不平衡进行校正后,四种模型 (逻辑回归,MARS,增强树,MLP) 实现了高性能 (AUC>0.80,灵敏度>0.60).
• 确定了关键预测因素:年龄,先前的急诊,慢性病阶段,住院患者日,平均血红蛋白A1c.
• 可解释性分析证实模型模式与临床知识一致,支持模型有效性.

结论:

• 成功开发了高性能,可解释的ML模型来预测高医疗保健服务利用率.
• 这些模型可以整合到以糖尿病为重点的人口健康计划中,以改善资源配置和患者护理.
• 这些发现支持使用ML用于慢性疾病人群的主动医疗管理.