基于机器学习方法,预测中国的高需要高成本儿科住院患者

科学领域:

• 卫生经济学 卫生经济学
• 儿科医疗保健 儿科医疗保健
• 机器学习在医学中的应用

背景情况:

• 在全球范围内,医疗保健支出正在上升,这是由高需要,高成本 (HNHC) 患者推动的,这些患者占支出的很大一部分.
• 现有的针对HNHC患者的干预措施显示长期影响有限,对中国儿科HNHC患者的预测性研究很少.

研究的目的:

• 开发和验证用于预测HNHC儿科患者的机器学习模型.
• 确定与儿童HNHC状态相关的关键因素.
• 为主动干预和优化医疗保健资源分配提供基础.

主要方法:

• 利用来自上海行政数据库的儿科患者 (<18岁) 的7年回顾性队列数据集.
• 开发并比较了后勤回归,k-最近邻居 (KNN),随机森林 (RF),多层感知子 (MLP) 和天真贝叶斯模型.
• 采用合成少数群体过量采样技术 (SMOTE) 进行类平衡,k-fold交叉验证和网格搜索以进行超参数优化.
• 使用ROC-AUC,精度,灵敏度,特异性和F1得分评估模型性能,并进行内部和外部验证.

主要成果:

• 在2021年的91,882名住院儿童中,HNHC儿科患者占总支出的35%以上.
• 该MLP模型实现了最高的预测性能 (ROC-AUC:0.872),其次是RF (0.869).
• 关键预测因素包括住院时间,住院人数,先前的HNHC状态,年龄和前20名HNHC疾病的存在.
• 在外部 (ROC-AUC:0.843) 和内部验证中,MLP表现强.

结论:

• 机器学习模型,特别是MLP,在预测HNHC儿科患者方面是有效的.
• 早期识别HNHC儿童可以进行主动干预,从而降低医疗保健成本.
• 这种方法支持决策者和支付者在资源分配和改善患者结果方面.