Verbesserung der Vorhersagen für Krankenhausentlassungen mit Machine Learning

Die Gesundheitssysteme auf der ganzen Welt stehen unter steigendem Druck durch wachsende Anforderungen. Das wird beeinflusst durch sich ändernde Bevölkerungsdemografien, mehr Menschen mit chronischen Krankheiten, gesellschaftliche Veränderungen und technologische Fortschritte. Im Vereinigten Königreich hat der National Health Service (NHS) diese Belastungen besonders stark zu spüren bekommen, mit mehr Patienten in den Krankenhäusern, längeren Wartezeiten in den Notaufnahmen und finanziellen Schwierigkeiten. Die COVID-19-Pandemie hat diese Probleme noch verschärft, was zu erheblichen Verzögerungen bei sowohl dringenden als auch routinemässigen medizinischen Behandlungen geführt hat.

Da die Ressourcen in den Krankenhäusern begrenzt sind, müssen die Einrichtungen Wege finden, um die Effizienz zu steigern und die Patientenkapazität besser zu managen. Ein wichtiger Teil davon ist, herauszufinden, wie man den Patientenfluss effektiv steuern kann – das bedeutet, die Patienten von dem Moment an zu begleiten, in dem sie ins Krankenhaus kommen, bis sie entlassen werden, während sichergestellt wird, dass sie die richtige Behandlung erhalten.

#Die Bedeutung des Patientenflusses

Den Patientenfluss zu optimieren kann zu besseren Erfahrungen für die Patienten führen, zu weniger Wartezeiten für Behandlungen, verbesserten Gesundheitsergebnissen und Kosteneinsparungen. Ein wichtiger Weg, um den Patientenfluss zu verbessern, ist, genau vorherzusagen, wann Patienten entlassen werden. Das bedeutet, dass die Gesundheitsdienstleister benachrichtigt werden können, wenn ein Patient fast bereit ist, nach Hause zu gehen, was ihnen ermöglicht, den Transport zu organisieren, die Entlassungsmedikamente abzuschliessen und das Krankenzimmer für den nächsten Patienten vorzubereiten.

Derzeit beruhen die Entlassungsvorhersagen auf der Bewertung der Situation jedes Patienten durch die klinischen Teams basierend auf deren Diagnose und aktuellem Zustand. Diese Vorhersagen können jedoch oft inkonsistent und subjektiv sein. Viele Male werden sie nicht in elektronischen Gesundheitsdatenbanksystemen verfolgt, was die Krankenhausabläufe komplizieren kann. Daher besteht ein wachsendes Interesse daran, automatisierte Vorhersagetools zu nutzen, um die Aufenthaltsdauer und den Entlassungszeitpunkt der Patienten vorherzusagen.

#Modelle zur Entlassungsvorhersage

Die Vorhersage der Entlassungen ist zu einem Schwerpunkt für Forscher geworden, die maschinelles Lernen einsetzen. Mehrere Studien haben versucht, den Zeitpunkt der Entlassungen basierend auf festgelegten Zeitrahmen, wie den nächsten 24, 48 oder 72 Stunden, vorherzusagen. Einige Studien haben sich spezifische Patientengruppen angeschaut, wie z.B. Patienten, die operiert werden, oder solche mit Herzproblemen, während andere versuchten, Entlassungen für ganze Krankenhäuser vorherzusagen.

Es wurden verschiedene traditionelle Techniken des maschinellen Lernens getestet, darunter Random Forests, Boosted Trees und neuronale Netze. Die Merkmale, die zur Erstellung dieser Vorhersagen verwendet werden, umfassen in der Regel die Demografie der Patienten, die Krankengeschichte, Vitalzeichen, Diagnosen, Verfahren und Medikamente. Während einige Modelle vielversprechend waren, erreichen die meisten eine durchschnittliche Leistung, wobei die Erfolgsraten in verschiedenen Studien stark variieren.

Ein beeindruckendes Beispiel ist ein Modell, das Daten über die Interaktionen von Klinikern mit elektronischen Gesundheitsakten einbezog und eine hohe Genauigkeit bei der Vorhersage von Entlassungen innerhalb von 24 Stunden erzielte. Es hatte jedoch Einschränkungen, da es nur Erstaufnahmen berücksichtigte und Patienten ausschloss, die ihren Aufenthalt nicht überlebt hatten. Viele bestehende Studien haben wichtige Bereiche nicht ausreichend behandelt, wie z.B. den Einfluss der Grösse der Trainingsdaten, den Zeitpunkt der Vorhersagen und die Leistung in Bezug auf spezifische Patientengruppen.

#Ziele dieser Studie

In dieser Studie hatten die Forscher das Ziel, eine Fülle von Daten aus elektronischen Gesundheitsakten von einer Gruppe von Lehrkrankenhäusern im Vereinigten Königreich zu nutzen, um Modelle des maschinellen Lernens zu entwickeln, die vorhersagen können, welche Patienten innerhalb der nächsten 24 Stunden entlassen werden. Durch die Kombination individueller Vorhersagen würden die Modelle auch die Gesamtzahl der erwarteten Entlassungen im gesamten Krankenhaus schätzen.

#Daten und Methodik

#Datenquelle

Die Daten stammen aus der Infections in Oxfordshire Research Database (IORD), die anonymisierte elektronische Gesundheitsakten von Krankenhäusern im Oxford University Hospitals NHS Foundation Trust enthält. Diese Gruppe umfasst vier Lehrkrankenhäuser und bedient eine Bevölkerung von etwa 755.000 Menschen.

Die Studie konzentrierte sich auf erwachsene stationäre Patienten vom 1. Februar 2017 bis zum 31. Januar 2020 und schloss spezifische Kategorien wie Geburtshilfe und Pädiatrie aus. Die Aufnahmen wurden in zwei Gruppen klassifiziert: elektiv (geplant) und notfallmässig (ungeplant).

#Merkmale, die in Vorhersagen verwendet wurden

Die Forscher identifizierten potenzielle Merkmale für die Modelle, indem sie bestehendes medizinisches Wissen und frühere Studien berücksichtigten. Zu diesen Merkmalen gehörten die Demografie der Patienten, aktuelle Diagnosen, frühere Aufnahmen, Laborergebnisse und die Medikamentengeschichte. Das Ziel war es, einen robusten Datensatz zu erstellen, der die Entlassungsvorhersagen unterstützen kann.

#Vorhersageaufgabe

Die Studie konzentrierte sich darauf, vorherzusagen, ob Patienten innerhalb von 24 Stunden nach einem bestimmten Datum und einer bestimmten Uhrzeit aus dem Krankenhaus entlassen werden. Die Vorhersagen auf individueller Ebene wurden aggregiert, um eine Schätzung der insgesamt erwarteten Entlassungen im Krankenhaus für diesen Zeitraum zu liefern.

Verschiedene Sensitivitätsanalysen wurden durchgeführt, um zu bewerten, wie der Zeitpunkt der Vorhersagen die Ergebnisse beeinflusste. Die Modelle wurden mithilfe historischer Daten trainiert und mit aktuelleren Daten bewertet, um ihre Effektivität zu überprüfen.

#Modellentwicklung

Extreme Gradient Boosting (XGB) Modelle wurden zur Vorhersage von Entlassungen eingesetzt. Die Trainingsdaten deckten die ersten zwei Jahre des Studienzeitraums ab, während die Bewertung mit Daten aus dem letzten Jahr erfolgte. Die Modelle durchliefen eine Hyperparameter-Optimierung, um ihre Leistung zu maximieren.

Die Modellimplementierung liess fehlende Daten zu, da XGB mit diesen Lücken umgehen konnte, ohne sie zu imputieren. Die Forscher kalibrierten die vorhergesagten Entlassungswahrscheinlichkeiten, um Genauigkeit sicherzustellen.

#Leistungsbewertung

Die Effektivität der Modelle wurde anhand verschiedener Metriken bewertet, darunter Sensitivität, Spezifität, positiver prädiktiver Wert, negativer prädiktiver Wert und allgemeine Genauigkeit. Die Leistung der Krankenhausvorhersagen wurde ebenfalls bewertet, indem die vorhergesagten mit den tatsächlichen Entlassungszahlen verglichen wurden.

Insgesamt wurden im Studienzeitraum 52.590 elektive Aufnahmen und 202.633 Notaufnahmen verzeichnet. Nach der Filterung kurzer Aufnahmen und der Sicherstellung relevanter Daten wurden insgesamt 48.039 elektive Aufnahmen und 143.275 Notaufnahmen in die Analyse einbezogen.

#Ergebnisse

#Modellleistung

Die Modelle zeigten vielversprechende Ergebnisse bei der Vorhersage von Entlassungen. Bei elektiven Aufnahmen erreichte das Modell einen Bereich unter der Kurve (AUC) von 0,871, während es bei Notaufnahmen einen AUC von 0,860 erzielte. Der positive prädiktive Wert für elektive Aufnahmen betrug 0,555, und für Notaufnahmen lag er bei 0,571, was darauf hinweist, dass die Modelle effektiv darin waren, Patienten zu identifizieren, die wahrscheinlich entlassen werden.

Die Studie stellte auch fest, dass die Modellleistung mit grösseren Trainingsdatensätzen besser wurde, und einen Sättigungspunkt bei etwa 12 Monaten Daten erreichte. Zudem erzielten die Vorhersagen, die mittags gemacht wurden, die höchste Genauigkeit im Vergleich zu anderen Tageszeiten.

#Merkmalsbedeutung

Die Analyse identifizierte Schlüsselmerkmale, die mit der Entlassung von Patienten verbunden sind. Bei elektiven Aufnahmen waren die wichtigsten Prädiktoren die Anzahl der in den letzten 24 Stunden erhaltenen Medikamente und ob die Patienten Antibiotikakuren abgeschlossen hatten. Bei Notaufnahmen spielten ähnliche Merkmale eine wichtige Rolle, was zeigt, dass die Medikamentengeschichte entscheidend für die Vorhersage von Entlassungen war.

#Subgruppenanalyse und Fairness der Modelle

Die Forscher bewerteten die Modellleistung über verschiedene demografische Gruppen hinweg, einschliesslich Geschlecht, Ethnie und sozioökonomischem Status. Während die Gesamtleistung konsistent war, wurden einige Variationen beobachtet, insbesondere bei älteren Patienten und solchen mit längeren Krankenhausaufenthalten. Die Modelle tendierten dazu, in diesen Subgruppen schlechter abzuschneiden, was darauf hindeutet, dass komplexere Bedürfnisse in den Daten möglicherweise nicht so gut erfasst werden.

#Einschränkungen und zukünftige Richtungen

Die Studie hatte einige Einschränkungen. Der Vorhersagehorizont betrug nur 24 Stunden, was den Planungsspielraum für Krankenhausabläufe einschränken könnte. Darüber hinaus basierten die Modelle ausschliesslich auf strukturierten elektronischen Gesundheitsdaten, ohne unstrukturierte Daten zu integrieren, die die Vorhersagegenauigkeit verbessern könnten.

Die Studie kam zu dem Schluss, dass, während die aktuellen Modelle des maschinellen Lernens vielversprechend sind, es Raum für Verbesserungen gibt. Zukünftige Anstrengungen sollten die Einbeziehung unstrukturierter Daten und die Verfeinerung von Modelltechniken, wie die Nutzung von Deep-Learning-Ansätzen, untersuchen, um die Leistung weiter zu steigern.

#Fazit

Die Integration von maschinellem Lernen mit elektronischen Gesundheitsdaten hat das Potenzial, die Krankenhausabläufe zu verbessern, indem sie das Management von Entlassungen in Echtzeit erleichtert. Die in dieser Studie entwickelten Modelle erzielten gute Leistungen bei der Vorhersage von Entlassungsereignissen und zeigten die Bedeutung spezifischer Merkmale im Zusammenhang mit der Patientenversorgung.

Diese Fortschritte könnten zu Vorteilen im Management des Patientenflusses und der Ressourcenzuteilung führen, was letztendlich zu einer besseren Gesundheitsversorgung führt. Obwohl die Studie sich auf eine spezifische Krankenhausgruppe konzentrierte, deuten die Ergebnisse darauf hin, dass diese Modelle auch breiter in verschiedenen Einrichtungen zur Unterstützung der Krankenhausleitung eingesetzt werden können.