机器学习模型在预测30天通用医学阅读的性能与澳大利亚医院设置中的传统方法相比

科学领域:

• 医疗保健服务研究 医疗服务研究
• 临床信息学 临床信息学
• 预测分析在医疗保健中的应用

背景情况:

• 再入院是医疗保健质量的重要指标,并影响患者的结果和成本.
• 传统的风险分层模型,如LACE指数,由于未捕获的非线性相互作用,可能存在局限性.
• 对于有针对性的干预措施来说,需要准确预测30天的通用医学再入院情况至关重要.

研究的目的:

• 将非线性机器学习 (ML) 模型的预测性能与渐进后勤回归 (LR) 和LACE指数进行比较.
• 评估各种模型在30天内对通用医学患者再入院风险分层的准确性.
• 找出最有效的方法来预测医院再接收在第三级护理环境.

主要方法:

• 追溯分析了澳大利亚一家三级医院的5371名成年普通医生入院情况 (2022年7月 - 2023年6月).
• 提取了32个变量,包括人口统计,并发症,先前的医疗保健使用,社会经济地位 (SES),实验室数据和脆弱性.
• 使用曲线下的面积 (AUC) 和DeLong的测试,逐步比较LR,LACE指数和ML模型 (LASSO,随机森林,XGBoost,ANN).

主要成果:

• 19.1%的入院导致30天的再入院;再入院的患者年龄较大,更脆弱,患有更多的并发症,SES较低.
• 后勤回归 (AUC=0.62) 显示了与LACE指数 (AUC=0.61) 和ML模型 LASSO (AUC=0.63),随机森林 (AUC=0.60) 和ANN (AUC=0.60) 的性能可比.
• 后勤回归显著优于XGBoost (AUC=0.55) (p < 0.05),表明传统方法的稳定性.

结论:

• 大约五分之一的通用医学患者经历了30天的再入院.
• 循序渐进的物流回归证明了与该队列的机器学习模型相比,可比或优越的预测性能.
• 传统的后勤回归仍然是一般医学的再接收风险预测的宝贵工具.