预测机器学习模型用于第三级医疗保健机构的30天再入院
Diego Halac1,2,3, Cecilia Cocucci2,3, Sebastian Camerlingo2,3
1Departamento de Medicina Interna, Sanatorio Anchorena de San Martin, Perdriel 4189, CP: 1650. Gral. San Martin, Provincia de Buenos Aires, Argentina.
预测模型可以识别高风险再入院的患者. 随机森林模型在预测30天再接收方面表现出卓越的表现,使得有针对性的干预措施成为可能.
科学领域:
- 医疗保健服务研究 医疗服务研究
- 医疗信息学 医疗信息学
- 临床流行病学 临床流行病学
背景情况:
- 医院再接收对医疗保健系统构成重大挑战,影响患者的治疗结果和成本.
- 很大一部分 readmissions 是可以预防的,强调了有效的早期识别策略的需要.
- 预测模型提供了一种有希望的方法来识别有风险的患者,并使及时干预成为可能.
研究的目的:
- 在社区医院环境中开发和验证30天医院再入院的预测模型.
- 为了比较物流回归 (LR),随机森林 (RF) 和轻GBM (LGBM) 模型的性能.
- 评估针对性医疗干预预案的预测模型的临床效用.
主要方法:
- 对阿根廷一家200床社区医院3388名成年患者的回顾性分析.
- 使用贝叶斯优化开发和对LR,RF和LGBM模型进行超参数调整.
- 通过校准,歧视 (C-统计) 和决策曲线分析来评估模型性能,并通过引导重新抽样进行内部验证.
主要成果:
- 整体30天再接收率为11%.
- 与LR和LGBM (C-统计0.60) 相比,随机森林模型显示出更高的歧视 (C-统计0.64).
- 射频在0.05-0.25的预测概率值内显示出更好的临床效用,这表明风险分层有所改善.
结论:
- 机器学习模型,特别是随机森林,可以有效地预测30天的医院再入院.
- 这些模型可以提高风险预测的准确性,使医疗保健提供者能够实施有针对性的干预措施.
- 该研究提供了一种有效的方法,用于减少社区医院环境中可预防的再入院.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
相关概念视频
Hospitals-II
Nurses that work in...
Receiver Operating Characteristic Plot
Tertiary Healthcare System
Steps in Outbreak Investigation
Methods of Documentation VI: Case Management Model
For example, a patient with a chronic...
Issues And Trends In Healthcare Delivery System
Cost Containment
Payment for healthcare services has historically promoted adoption of costly and often unnecessary or inefficient...
