预测预期的远程医疗使用:使用美国国家调查调查的CONTEST分数和机器学习模型的开发

科学领域:

• 医疗保健服务研究 医疗服务研究
• 数字健康数字健康
• 医疗信息学 医疗信息学

背景情况:

• 预期的远程医疗使用对于将远程医疗整合到混合护理模型中至关重要.
• 现有有限的工具可以预测患者停止使用远程医疗服务.
• 识别有风险的患者对于持续采用远程医疗至关重要.

研究的目的:

• 确定影响患者继续使用远程医疗的意图的因素.
• 开发和验证一个风险分层工具 (CONTEST),用于预测远程医疗的终止.
• 将CONTEST的性能和公平性与机器学习 (ML) 模型进行比较.

主要方法:

• 对2024年健康信息国家趋势调查7 (HINTS 7) 数据的回顾性分析.
• 调查加权后勤回归用于开发CONTEST积分得分.
• 机器学习模型 (XGBoost,随机森林,后勤回归) 使用AUROC,精度和回忆进行训练和评估.
• 使用跨性别和种族/种族的群体和个人反事实指标进行公平性评估.

主要成果:

• 近10%的远程医疗用户表示不愿继续未来使用.
• 感知较低的便利性,技术问题,感知较低的质量和不愿推是关键因素.
• 竞赛实现了强烈的歧视 (AUROC 0.876);XGBoost在ML模型中表现最好 (AUROC 0.902).
• 基于ML的得分和模型显示了与CONTEST.相似的性能.
• 在公平度指标中观察到性别和种族/种族之间存在差异,个人反事实率较低.

结论:

• CONTEST评分和ML模型有效地分层了预期远程医疗使用率较低的风险.
• 确保方便性,技术可靠性和感知质量对于持续的远程医疗参与至关重要.
• 实施需要将预测工具与运营支持和持续的公平监测相结合,以解决差异.