可解释的机器学习来识别新斯科舍省医院计划外再入院的风险因素
Mariano Maisonnave1, Enayat Rajabi1, Majid Taghavi2
1Management Science Department, Shannon School of Business, Cape Breton University, 1250 Grand Lake Rd, Sydney, B1M 1A2, NS, Canada.
Computers in biology and medicine
|March 27, 2025
概括
非计划性医院再入院 (UHR) 是昂贵的. 机器学习确定了关键的风险因素,使得在新斯科舍省制定了指导方针,以改善患者护理和减少再入院.
科学领域:
- 医疗保健分析 医疗保健分析
- 机器学习在医学中的应用
- 患者研究成果研究结果
背景情况:
- 非计划性住院转诊 (UHR) 对加拿大的医疗保健系统构成重大财务负担,估计在加拿大为18亿美元.
- 识别患有UHR高风险的患者对于实施有针对性的干预措施和提高医疗保健效率至关重要.
- 之前的研究已经探讨了UHR风险因素,但缺乏针对新斯科舍省的全面分析.
研究的目的:
- 在新斯科舍省,在退院后30天内识别和分析与非计划性再入院相关的风险因素.
- 为医疗保健专业人员制定和验证实用的指南,以帮助识别患有UHR风险的患者.
- 利用机器学习和可解释性工具,更深入地了解UHR决定因素.
主要方法:
- 利用机器学习算法和可解释性工具来分析来自新斯科舍省医疗机构 (2015-2022) 患者信息的综合数据集.
- 检查了各种因素,包括患者特征,入院类型和住院细节,以预测UHR.
- 根据确定的风险因素,为医务人员制定了决策支持指南.
主要成果:
- 仅从出院数据中预测UHR存在局限性;然而,可解释性工具提供了对再接收风险因素的宝贵见解.
- 诸如心力衰竭和COPD等疾病被确定为UHR的重要风险因素.
- 接受分娩手术的患者重新入院的可能性较低,而接受输血的患者的可能性更高.
结论:
- 制定的指导方针有效地识别了UHR风险因素,并协助医疗保健专业人员在决定出院后的随访方面做出决定.
- 该指南表明,有可能查一半的患者,同时捕获超过72%的再入院病例.
- 这项研究提供了关键的见解和管理患者再接收在新斯科舍省的实用工具.