條文本
PDF
文摘
目標開發一個算法識別高危住院病人re-admission國民健康服務(NHS)醫院在英格蘭放電使用30天內可以從醫院信息係統獲得的信息或從病人和他們的筆記。
設計多元統計分析的定期收集醫院統計(他)數據集使用邏輯回歸來建立預測模型。使用引導模型的性能進行了計算。
設置他數據覆蓋所有在英國NHS醫院錄取。
參與者NHS病人住院2008年4月至2009年3月(10%的樣本招生,n = 576 868)。
主要結果測量接受者操作特征曲線下麵積的算法,其陽性預測值和敏感性風險評分的閾值範圍。
結果算法產生的風險評分範圍(0 - 1)為每一個病人,承認和患者的百分比re-admission 30天內提供的所有病人都和平均re-admission成本20風險樂隊。在風險評分閾值為0.5,陽性預測值(即住院比例的病人標識為高風險南聯盟隨後30天內)為59.2% (95% CI 58.0%至60.5%);代表5.4% (95% CI) 5.2%至5.6%的住院病人南聯盟誰會在30天內(靈敏度)。接受者操作特征曲線下的麵積是0.70 (95% CI 0.69 - 0.70)。
結論我們已經開發出一種方法識別高危住院病人的意外re-admission NHS醫院30天內出院。盡管模型靈敏度很低,我們展示了如何識別子組的患者含有高比例的病人將在30天內入院。額外的工作來驗證模型在實踐中是必要的。
- 衛生經濟學
- 衛生服務管理和管理
- 統計數據和研究方法
這是一個開放分布式根據條創作共用署名非商業性的許可證,允許使用,分布,在任何介質,和繁殖提供了最初的工作是正確地引用,使用非商業,否則按照許可證。看到的:http://creativecommons.org/licenses/by-nc/3.0/和http://creativecommons.org/licenses/by-nc/3.0/legalcode
來自Altmetric.com的統計
文章總結
文章重點
防止再次入院醫院對病人很重要,最近在英國國民健康保險製度政策意味著它也可能對醫院收入的影響。
使用邏輯回歸現有person-level醫院記錄開發一個模型,該模型預測的概率在30天內重新接納進醫院。
關鍵信息
模型被故意設計使用隻有幾個變量可能進入計算機化的信息,或在床邊。
模型具有合理的準確性的陽性預測值最高風險的病人但是靈敏度較低。
本研究的優點和局限性
簡單和容易實現模型。
模型具有低靈敏度這意味著高危病人是罕見的。
介紹
意外住院和re-admissions視為昂貴的標記,次優的醫療保健1,2避免和他們目前在許多國家決策者的當務之急。3例如,在英國,衛生部門指導國民醫療服務製度(NHS)提出委員不應支付提供商醫院緊急re-admission 30天內索引的選擇性(計劃)。4re-admissions的速度也將扮演一個重要組成部分在監測衛生係統性能,作為一種新的英語公共衛生的結果指標。5
在5年期間在2004年4月1日和2010年3月31日之間,7%的病人從醫院南聯盟在英格蘭的一家醫院出院回家後30天內,6與國民健康保險製度成本估計為每年£16億。7同時介紹了許多不同的幹預措施,目的是減少計劃外招生率,8的證據的有效性和成本效應是有限的。9
hospital-avoidance幹預可能是成功的一個原因是如果他們提供給患者未來意外住院的風險不夠高。10最近的曆史住院並不能準確地預測未來的招生,11和臨床醫生似乎經常無法做出可靠預測哪些病人入院。12,13也有一些證據表明,許多re-admissions可能不是可避免的。14最近的一項分析發現一個強大的rehospitalisation率和整體招生率之間的關係在特定區域。15
為了提高精度的情況下發現的過程,近年來研究人員開發了一個數量的預測風險模型NHS,針對性的識別風險最高的人承認或re-admission的未來。月16日模型在常規使用關係數據識別病人風險最高的計劃外錄取或re-admission在接下來的12個月。這些模型不是大多數人住院,而是取決於索引計算風險得分在人口在一個特定的日期,並被設計為運行在定期(如月度或季度)。
預測哪些病人的一個優點是高危承認在未來12個月是這個長期允許時間為臨床醫師和護理經理/協調員聯係並與高危患者接觸。此外,它允許時間煽動行為和治療的改變。另一方麵,計劃外錄取的可能性最高的立即出院後,22所以可能會有優勢的預測re-admissions後不久發生的放電。此外,有證據表明,某些形式的預防保健可以更有效地減少意外住院後立即啟動一種急性疾病。23
在英國以外,許多工具建立了預測re-admissions在1524或30天25 - 29出院。直到最近,NHS資金安排了醫院在英格蘭一些優惠政策來預測和防止意外住院。然而,2011年至2012年的操作框架建議NHS醫院不應該補償re-admissions 30天內發生(以及緊急招生隻接受30%的邊際稅率高於基線2008/2009)。30.在實踐中,這種新的30天的程度正在執行規則似乎在全國各地不盡相同。31日然而即使沒有貨幣激勵,知識的30天re-admission風險仍有可能有助於臨床醫生關注他們的排放計劃的努力和對高危患者出院後支持。
預測工具建立在一個設置未必是準確的,當用於其他衛生保健設置。32所以在本文中,我們描述了我們如何使用英語醫院集統計(他)數據建立預測模型,可以識別高危病人的re-admission NHS醫院在英格蘭在30天的放電。模型,我們稱之為“PARR-30”(病人的風險Re-admission 30天內),可以使用在實踐中以兩種方式之一:要麼自動繪製變量二次使用服務(SUS)數據和醫院的病人管理係統(PAS)33由臨床醫生或“手動”,誰能獲得必要的信息從病人和病人的筆記,然後計算風險使用電子表格或智能手機/平板電腦應用程序。促進第二種方法,我們試圖開發一個算法,易於使用,僅依賴於相對較少的變量很容易獲得可用的記錄或從病人。為了證明服務的變化通常是有助於理解幹預的成本改善保健和可能導致較低的總成本。因此,我們目前的數據潛在的節省空間,可能通過減少積累醫院使用根據風險水平的目標,對幹預措施的有效性和假設。我們正在PARR-30免費使用在英國國民健康保險製度。
方法
模型被開發使用他獲得健康與社會保健的英國國民健康服務信息中心2006年4月1日- 2009年4月30日。34這個分析是基於現有的數據是匿名,因此不需要額外的倫理審批。記錄提取10%的所有英國NHS住院出院日期2008年4月1日和2009年3月31日之間。集編碼為出生、死亡在醫院,自放電病人和病人轉移到其他醫院被排除在外,留下576 868招生剩餘樣品。Re-admissions 30天內被限製的規定,2011 - 2012年NHS操作框架,不含非緊急招生;招生,一個國家的關稅是不適用的;錄取為多個創傷或交通事故;四歲以下兒童。癌症相關re-admissions包括因為他們排除在操作框架正在重新考慮。35病人出院後死亡在開發數據集,包括繁殖將會發生什麼如果模型應用於實踐。數據集允許病人有多個re-admission集,但每個re-admission隻與最近30天內與之前入學。
進行了一係列的邏輯回歸來識別這些變量對預測的貢獻最大的30天內re-admission放電,產生的風險分數0.01 - -1.00描述的估計概率re-admission 30天內。變量被限製在那些可能製定的方式意味著他們可以很容易地提取病人或病人筆記沒有計算機管理數據。測試的變量是基於廣泛的措施中使用的帕爾算法預測re-admission在第二年。14這些包括:招生數量醫院按類型(緊急和非緊急)根據當前入學之前的時間間隔(90、180、365、730和1095天);集的數量每法術之前招生(代理測量複雜的健康問題);許多不同類型的專家谘詢在過去12個月(基於服務記錄在門診記錄);一係列診斷類別和層次診斷組;36特征區域的居住和逗留時間的長度。介紹了一個虛擬變量來表示在病房最大的醫院數據作為參考點。減少數量的變量最終選擇包含在這個算法是基於他們對模型的整體性能的影響,緩解病人的醫療記錄或召回。
我們測量的準確性預測模型的方法。,陽性預測值(PPV)估計模型的準確性進行比較的人數確定的模型是可能經曆一個re-admission(基於給定閾值的風險),在這一組人數繼續體驗re-admission。PPV被定義為那些高危患者的百分比確定的模特經驗re-admission。靈敏度是一個相關的概念,衡量比例的人經曆了re-admission正確識別的模型是處於危險之中。相反,特異性的定義是沒有經驗的人的比例承認那些被認為正確的低風險。模型的敏感性和特異性可以相互抵消風險通過改變閾值用於定義它們。以及這些措施,我們提出的估計接受者操作特征(ROC)曲線下的麵積,這顯示了真正的陽性(靈敏度)和假陰性之間的權衡(1-specificity)在所有可能的閾值。進一步,我們感興趣的比例和成本風險的患者經曆了re-admission樂隊(20樂隊基於風險評分的水平)。
預測模型通常是“訓練”組成的一個數據集因變量(在這種情況下醫院re-admissions)有關許多病人,連同一係列來自較早時期的獨立變量。明顯的性能模型的訓練數據集(或開發)往往是大大優於其性能在另一個獨立的數據集,如果其他數據集包含類似的病人。為了確保模型的預測是generalisable,因此重要的是評估模型的性能比僅僅通過實際計算對訓練樣本的準確性。
為此,我們使用一個引導評價方法。37這種方法涉及到評估與評估相關的“樂觀”的程度明顯性能模型的訓練數據集。觀察到的性能是由減去的樂觀程度明顯的性能。我們計算,通過不斷吸引大量的樂觀程度不同的引導訓練樣本數據集,每個由相同數量的病人和原樣品一樣,但是每一個是由隨機選擇病人,讓病人個體選擇不止一次。樂觀估計,我們擬合模型每一個引導樣品和計算之間的區別的性能模型引導樣本及其對原樣品的性能。樂觀估計的平均數量在所有引導樣品。引導的好處之一是,它允許所有可用的病人數據被包含在數據集。它已被證明比其他方法更準確地估計模型的性能,比如那些需要留出一個單獨的數據驗證樣本。38
樂觀的估計程度被發現非常小,我們希望鑒於大量病人的記錄。因此我們延長了引導技術上添加CI患者經曆的比例re-admission風險樂隊,樂觀對待,可以忽略不計。這些詞是形成最終的模型運用到大量的(我們選擇200)引導樣品,和評估範圍內的比例下降了95%。CI ROC曲線的計算使用貝葉斯引導方法。39
開發業務案例分析
“業務”的案例分析提出了幫助指導供應商和委員在設計幹預措施以防止病人re-admissions。我們所有病人的平均re-admission成本計算在每一個樂隊和截止各級風險。這是NHS醫院成本的潛在的未付款。各種假設對幹預措施的有效性,旨在減少re-admissions 30天內(10%、15%和20%),估計可以在預防消耗的最大數量,基於估計的儲蓄減少招生。
二級護理成本利用率從他估計數據使用2010/11付款結果(PbR)關稅。40,41活動不受國家關稅估價使用國家參考成本(NRC)42和調整,以確保他們直接可比2010/11關稅。如果有關稅和NRC,活動花費的平均關稅的特色是在發達國家研究資源配置的方法。43因此,成本代表收入提供者而不是re-admission治療的實際成本。
我們建立了成本的住院率通過計算醫療資源組(HRG)為每一個病人的整個住院。使用PbR規則我們派生的全部成本44結合HRG的錄取方法和其他細節的住院。這包括HRG的單位成本和任何付款由於因意外住院,或任何特殊治療或其他治療和測試(所謂的分類定價支付)。我們也計算了門診和急診費用作為推薦的PbR規則。
結果
派生模型使用一個小的變量類型包括以下:
病人age-used作為平方值。
多個剝奪指數(IMD)45對病人的居住地(來自郵編和映射到五個樂隊之一基於超級低的輸出區域)。
當前錄取是否緊急入院(定義在他作為錄取類別第21至28)。
是否有緊急出院在過去的30天。
去年應急醫院排放的數量(從任何醫院)。
曆史的前2年(從任何他主要或次要診斷字段)的11個主要健康狀況來自Charlson伴隨疾病指數。46
醫院目前的承認,使用一組150虛變量主要急性醫院在英格蘭。
表1總結這些變量的係數為個人細節醫院係數提供在附錄1。箱1給出一個示例對個體病人的風險評分可以計算。模型的全部細節也將可用在納菲爾德信任網站(http://www.nuffieldtrust.org.uk)。
一個活生生的例子如何計算風險評分
一個83歲的女人從一個相對貧困的一部分,倫敦即將退出一個大型教學醫院在倫敦。她收到緊急入院與慢性阻塞性肺病7天前。雖然她沒有在上個月在醫院,她有兩個放電後緊急入學前一年。充血性心力衰竭的病人也有曆史和周圍性血管疾病。
| 病人的風險在未來30天內re-admission是25.1%(24.4%對25.6%) | |||
| 貢獻 | |||
| 變量 | 輸入 | 係數 | 術語 |
| 年齡的平方 | 6889年 | 6 e-05 | 0.417 |
| 去年的招生數量 | 2 | 0.121 | 0.243 |
| 承認在上個月 | 0 | 0.526 | 0.000 |
| 當前緊急/計劃外的承認 | 1 | 0.556 | 0.556 |
| Deprivation-IMD得分批準 | 1 | 0.066 | 0.066 |
| 充血性心力衰竭 | 1 | 0.095 | 0.095 |
| 周圍性血管疾病 | 1 | 0.104 | 0.104 |
| 慢性肺疾病 | 1 | 0.224 | 0.224 |
| 醫院:英國巴茲和倫敦國家衛生服務的信任 | 1 | 0.117 | 0.117 |
| 常數 | 1 | −2.918 | −2.918 |
| 總 | −1.095 | ||
| 風險 | 25.1% | ||
所示的模型的性能表2在30天re-admission患者的比例,和樂隊vingtiles re-admissions顯示的成本風險。高風險的病人(風險樂隊11以上),re-admission利率範圍從47.7%到88.7%,整體re-admissions率為12.2%。然而,在這些高危的患者數量樂隊隻代表一小部分(1.1%)的患者進行分析。風險樂隊1 - 10,30天內re-admission穩步下降的風險和減少風險評分,但每個樂隊的患者數量增加了。這兩個風險高頻帶覆蓋54.7%的患者的風險re-admission 30天內7.1%或更低。
均值re-admission成本往往是低風險較低的樂隊,因為一個小比例的患者入院。然而,那些有低樂隊re-admission傾向於有更高的成本(如£1340每住院患者在樂隊20比£2143每住院患者在樂隊11)。
中提供了一個業務案例分析表3re-admissions,記錄速度和最大程度的支出在每個樂隊風險(風險樂隊截止各級)。這些值表明預防性幹預的成本=淨儲蓄減少re-admissions-with各種假設的有效性幹預(10%、15%和20%)。風險在樂隊樂隊截止11,意味著re-admission成本£1088 (CI£1046 -£1124 -未顯示)每個病人。使用一個假設re-admission率減少10%,每個病人£109 (CI£105 -£112 -未顯示)可以用於這些樂隊的6395名患者,與幹預的成本等於成本,避免緊急招生(盈虧平衡)。
模型對所有患者的PPV風險評分高於0.50(11 +風險樂隊)59.2% (CI) 58.0%到60.5%,特異性為99.5% (CI) 99.5%到99.5%,敏感性為5.4% (5.2% CI為5.6%;看到表4)。中華民國ROC曲線圖1說明了真正的陽性(靈敏度)和假陰性之間的權衡(1-specificity)模型。總的來說,曲線下的麵積是0.70(可信區間0.69 - 0.70)。
接受者操作特性曲線引導中央(紅線)和95%可信區間估計(陰影區域)。
討論
我們已經建立了一個預測模型使用一組有限的變量是來自他。模型估計的風險和成本re-admission NHS醫院在英格蘭在30天內的放電。我們故意選擇的變量,我們認為很容易轉化為信息從病人的筆記或病人本身。查找表可以構建變量,比如病人的郵政編碼映射到剝奪得分。這意味著可以構建簡單的軟件工具,如電子表格或“應用程序”來計算分數,以及通過使用數據從一個醫院的病人管理係統。
模型的性能是值得尊敬的,59.2%的PPV的風險評分閾值50 +和ROC曲線下的麵積(c-statistic)為0.70。例如,最近的一項係統回顧30天的預測風險模型re-admissions記錄c-statistics從0.50到0.72不等。47這個模型的特異性(99.5%)高,雖然模型的靈敏度很低隻有5.4%的患者在示例(樂隊11 +)。模型的性能可能已經提高了包括多變量但這將使模型在實踐中那麼有用。傳統業績評價體係,如靈敏度、麵具的潛在價值模型針對預防幹預措施。知識每個風險評分的患者的比例帶誰會承認在接下來的30天內可用於滴定資源患者,與患者或多或不同類型的資源分配最有可能住院。高危樂隊,患者有88.7%的機會醫院re-admission£178 30天內可以每個病人的用於幹預旨在避免re-admission,假設這些幹預是成功地避免15%的re-admissions盈虧平衡是必需的。的水平和類型的資源分配給這些病人應該不同於分配給患者低風險水平,比如帶6 re-admission的幾率是28.0%。這些數據也可以用於設定一個總體截止/閾值水平全麵的幹預策略。例如,在截止電平樂隊5,近30%的患者將會承認在接下來的30天內將包括,和這些患者有機會re-admission是31.8%。對這些病人的水平和類型的幹預應該隨風險樂隊和患者特點,但臨床醫生和委員們可以使用這些數據來為任何預防性幹預選擇閾值。
這個模型有其局限性。它是使用他的數據,但它的目的是供醫院使用的組合不是之前或患者自我報告的信息數據和SUS數據使用和病史的病人的筆記。而不是/ SUS數據做與他不同,差異很小,所以我們認為這個缺點不太可能大幅影響預測模型的準確性。然而,病人的回憶之前的醫院使用的差異和他們的病史提出更大的挑戰的有效性模型。Self-recall衛生保健數據利用率可以不同於行政數據,特別是高水平的醫療使用的人,老年人和人民健康狀況較差。48,49我們目前正在測試模型來確定程度patient-reported不同於記錄在他的信息。
能夠識別高危病人re-admission構成任何戰略的第一步為易感患者改善保健和服務。然而,終極目標是夫婦發現病例的過程和具有成本效益的幹預措施,減輕re-admission的風險,和理想的情況下,使用隨之而來的金融儲蓄幫助基金的幹預。不幸的是,隻有適度知道什麼作品,為誰,減少re-admissions。
在最近的一次係統的回顧,漢森等50確定曾廣泛的策略,包括predischarge幹預措施(改善排放計劃,耐心教育,藥物和解,出院後隨訪約會,等等),出院後幹預(病人熱線,電話預約提醒,家訪,等)和其他幹預措施的過渡從醫院到家庭護士指導等。許多研究看著很小,而且沒有很好的設計。五16個隨機對照試驗記錄顯著減少re-admission的絕對風險,但是沒有一個幹預或束策略被發現一直成功地降低風險。
這裏開發的成本數據還顯示額外的謹慎。的風險評分截止0.50(帶11 +),即使有一個樂觀的假設re-admissions率減少了20%的可用數量來進行幹預和仍然實現盈虧平衡是相對溫和的每個病人(£218)。擴大幹預截止帶5,這個數字下降到£143(£71如果一個更現實的假設re-admissions減少10%),看到的表3。而改善放電規劃、安排出院後隨訪和電話提醒可能相對便宜,其他幹預措施,如護士指導和家訪可以變得相當昂貴。這些數據將允許針對幹預,更昂貴的策略局限於病人風險最高,但可用資源的水平肯定會緊張,如果預計盈虧平衡。
醫院在英格蘭開始應對新的財政激勵措施包括在2011 - 2012年的運營框架,這將是重要的收集證據的幹預是有效的和病人和代價是什麼。領域未來的研究可能包括決定是否以及如何根據不同幹預措施的有效性潛在的風險水平。例如,它可能是病人在較低或中度風險的re-admission條件或幹預的情況下更有可能比高危病人成功。同樣,可能有某些群體的病人在一個特定的風險帶或多或少是誰適合預防保健。使用預測模型發現病例的工具獲得了相當大的貨幣目標的預防性幹預措施以社區為基礎的環境。我們相信,重要的是要考慮如何使用這些工具更直接的保健醫院的環境改善病人的長期管理。
確認
我們感謝員工在切爾西與威斯敏斯特醫院和皇家伯克郡醫院的支持和指導,我們開發了PARR-30模型。
引用
補充材料
-
補充數據
僅這個web文件已經由英國醫學雜誌出版集團從一個電子文件提供的作者(年代)和沒有對內容進行編輯。
在這個數據補充文件:
- 數據補充1——在線附錄
腳注
貢獻者準備數據集和輸入變量和成本進行TG和IB;J B做中央造型和報告而進行引導工作和測試導出模型。GL寫論文的初稿和協調當地網站的建議。MB建議在分析和研究團隊的工作結果和管理在納菲爾德的信任。所有作者對論文的寫作起到了推波助瀾的作用。GL被聘為高級研究員納菲爾德相信當時這項工作。JB是擔保人。
資金和免責聲明這項研究是由納菲爾德的信任。研究發起人的主席納菲爾德的信任。讚助商沒有作用,收集、分析和解釋數據,在本文的寫作還是在決定提交出版。
相互競爭的利益所有作者已經完成了統一的相互競爭的利益形式www.icmje.org/coi_disclosure.pdf和聲明,作者沒有任何關係與任何公司可能感興趣的提交工作前3年;沒有配偶、合作夥伴或孩子有任何財務關係,可能是提交相關工作;和作者沒有任何非金融利益,不得提交相關工作。
倫理批準本研究隻涉及匿名的二級數據的分析。因為沒有可識別的人體,倫理審批不需要這項研究並沒有尋求知情同意。
出處和同行評議不是委托;外部同行評議。
數據共享聲明派生的細節模型變量和定義可從作者在納菲爾德信任research@nuffieldtrust.org.uk。