Πρόβλεψη Νοσοκομειακών Επανεισαγωγών με Τεχνητή Νοημοσύνη

Η Σημασία των Νοσοκομειακών Επανεισαγωγών

Οι επανεισαγωγές στα νοσοκομεία θεωρούνται ένας από τους σοβαρότερους επιβαρυντικούς οικονομικούς παράγοντες για τα συστήματα υγειονομικής περίθαλψης. Στην πραγματικότητα, το ποσοστό επανεισδοχής χρησιμοποιείται σε πολλές χώρες ως δείκτης της ποιότητας των υπηρεσιών που παρέχει ένα ίδρυμα υγείας. Η ικανότητα πρόβλεψης των επανεισαγωγών ασθενών επιτρέπει την έγκαιρη παρέμβαση και καλύτερες στρατηγικές μετά την έξοδο, αποτρέποντας μελλοντικά απειλητικά για τη ζωή περιστατικά και μειώνοντας το ιατρικό κόστος τόσο για τον ασθενή όσο και για το σύστημα υγείας.

Στην έρευνά μας αυτή χρησιμοποιούνται τέσσερα μοντέλα τεχνητής νοημοσύνης για την πρόβλεψη των νοσοκομειακών επανεισαγωγών: Support Vector Machines με γραμμικό πυρήνα, Support Vector Machines με πυρήνα RBF, Balances Random Forests και Weighted Random Forests.

Τα Δεδομένα της Μελέτης

Τα δεδομένα για την παρούσα μελέτη συλλέχθηκαν από το πληροφοριακό σύστημα του Γενικού Νοσοκομείου Κομοτηνής “Σισμανόγλειο”. Τα αρχεία δεδομένων ήταν πλήρως ανωνυμοποιημένα και κάθε ασθενής αναφερόταν με έναν τυχαίο κωδικό. Τα δεδομένα συλλέχθηκαν από 3 πηγές πληροφοριακών δεδομένων του πληροφοριακού συστήματος του νοσοκομείου: το σύστημα διαχείρισης ασθενών, το σύστημα επιχειρηματικών πληροφοριών και το σύστημα εργαστηριακών πληροφοριών. Τα δεδομένα εκτείνονται από την 1η Ιανουαρίου 2018 έως τις 31 Δεκεμβρίου 2019. Συγκεντρώσαμε ένα σύνολο δεδομένων 25 μεταβλητών, το οποίο περιλαμβάνει διοικητικές/δημογραφικές μεταβλητές, ιατρικές-κλινικές μεταβλητές και δεδομένα που αφορούν στην λειτουργική (operational) κατάσταση του νοσοκομείου. Περισσότερες από 20.973 νοσηλείες πραγματοποιήθηκαν εντός αυτής της περιόδου. Παρ’ όλα αυτά, το 46,7% αυτών των περιπτώσεων ήταν ελλιπείς εγγραφές, από τις οποίες έλειπε τουλάχιστον μία μεταβλητή. Επιλέξαμε να εξαλείψουμε αυτές τις ελλιπείς εγγραφές από το σύνολο των δεδομένων μας και να εργαστούμε μόνο με πλήρεις εγγραφές, καθώς οι μεθοδολογίες που χρησιμοποιήσαμε απαιτούν σύνολα δεδομένων χωρίς ελλείπουσες τιμές προκειμένου να λειτουργήσουν σωστά και αποτελεσματικά. Ως αποτέλεσμα, καταλήξαμε σε ένα σύνολο δεδομένων με 11.172 περιπτώσεις. Σε 1741 από αυτές τις περιπτώσεις (15,6%) ο ασθενής εισήχθη εκ νέου στο νοσοκομείο εντός των επόμενων 30 ημερών από την τελευταία έξοδό του.

Μοντελοποιήσαμε την περίπτωση επανεισαγωγής χρησιμοποιώντας μια δυαδική μεταβλητή, όπου το 1 αναφέρεται στην επανεισαγωγή και το 0 στην αντίθετη περίπτωση. Στον πίνακα , παρουσιάζουμε τις 24 επεξηγηματικές μεταβλητές του συνόλου δεδομένων μας. Πιο συγκεκριμένα, εξετάσαμε 11 μεταβλητές γενικών πληροφοριών για κάθε ασθενή (Panel Α), τρεις μεταβλητές λειτουργικής κατάστασης της κλινικής (Panel Β) και δέκα επεξηγηματικές μεταβλητές που αφορούν εργαστηριακά αποτελέσματα από εξετάσεις που πραγματοποιήθηκαν την πρώτη ημέρα νοσηλείας του ασθενούς (Panel C).

Η συνολική ακρίβεια πρόβλεψης έφτασε το 88% και η ακρίβεια στις επανεισαγωγές στο 70%.

Στο καλύτερο μοντέλο χρησιμοποιήσαμε την τεχνική του Feature Importance για να ταξινομήσουμε σε σειρά σημαντικότητας της μεταβλητές που προβλέπουν τις επανεισαγωγές. Τα αποτελέσματα είναι στον παρακάτω πίνακα.

Σύμφωνα με τα αποτελέσματα, οι δύο πιο σημαντικές μεταβλητές είναι η κωδικοποιημένη διάγνωση κατά την εισαγωγή και κατά την έξοδο. Αποκαλύπτουν ότι, όπως αναμενόταν, ορισμένες ασθένειες έχουν μεγαλύτερη πιθανότητα επανεισαγωγής από άλλες. Η Τρίτη σημαντικότερη μεταβλητή, ωστόσο, ήταν αρκετά ενδιαφέρουσα: το ποσοστό πληρότητας της κλινικής (operational capacity), δηλαδή μια λειτουργική μεταβλητή, είναι το τρίτο πιο σημαντικό χαρακτηριστικό στην πρόβλεψη επανεισδοχής. Είναι μια μεταβλητή πιο σημαντική από την ηλικία του ασθενούς και τη διάρκεια παραμονής του στο νοσοκομείο. Έτσι, η καινοτόμος προσέγγισή μας να συμπεριλάβουμε και τέτοιες μεταβλητές αποκαλύπτει τη σημασία τους στην πρόβλεψη των επανεισαγωγών. Οι άλλες δύο λειτουργικές μεταβλητές, ο αριθμός των γιατρών που απασχολούνται τη μέρα εκείνη στην κλινική και ο αριθμός των νοσηλευτών της κλινικής, είναι επίσης σημαντικές, καθώς κατατάσσονται στη μέση της κατάταξης. Αυτό είναι ένα εύρημα που θα πρέπει να διερευνηθεί περαιτέρω σε μια επόμενη μελέτη και να ληφθεί σοβαρά υπόψη από τη διοίκηση του νοσοκομείου. Ο υπόλοιπος κατάλογος των χαρακτηριστικών ακολουθεί χωρίς μεγάλες εκπλήξεις.

Συμπεράσματα

Η πρόβλεψη των επανεισαγωγών των ασθενών στα νοσοκομεία μπορεί να βελτιώσει την ποιότητα των υπηρεσιών που παρέχει ένα σύστημα υγειονομικής περίθαλψης. Θα μπορούσε επίσης να αυξήσει την αποτελεσματικότητα της αρχικής θεραπείας στα νοσοκομεία, σώζοντας πολλές ζωές. Αντικείμενο της έρευνας αυτής ήταν η δημιουργία ενός μοντέλου πρόβλεψης του κινδύνου επανεισαγωγής ασθενών εντός 30 ημερών από την έξοδο από το νοσοκομείο. Η χρήση και μελέτη από το ιατρικό προσωπικό των προβλέψεων για την πιθανότητα επανεισδοχής μπορεί να βελτιώσει τις διαδικασίες εξόδου από το νοσοκομείο, παρέχοντας καλύτερη φαρμακευτική αγωγή και διαδικασίες παρακολούθησης για τους ασθενείς που παίρνουν εξιτήριο.

Τέσσερεις διαφορετικοί αλγόριθμοι Τεχνητής Νοημοσύνης εκπαιδεύτηκαν χρησιμοποιώντας το σύνολο των δεδομένων εντός δείγματος, ενώ ελέγχθηκε και η ακρίβεια του καλύτερου μοντέλου και σε νέα άγνωστα δεδομένα που δεν χρησιμοποιήθηκαν στην εκπαίδευση των μοντέλων πρόβλεψης. Τα πειραματικά αποτελέσματα έδειξαν ότι το μοντέλο βασισμένο στον αλγόριθμο Balanced Random Forest πέτυχε την καλύτερη απόδοση για τον εντοπισμό των περιπτώσεων επανεισδοχής.

Τα αποτελέσματά μας είναι πολύ ικανοποιητικά και οι προτεινόμενοι αλγόριθμοι θα μπορούσαν να εφαρμοστούν σε μεγαλύτερο μέγεθος δείγματος από διαφορετικά νοσοκομεία της χώρας.

* Περικλής Γκόγκας, Καθηγητής Οικονομικής Ανάλυσης και Διεθνών Οικονομικών, Τμήμα Οικονομικών Επιστημών Δημοκρίτειου Πανεπιστήμιου Θράκης

Δημοσίευση: «Forecasting Hospital Readmissions with Machine Learning», Citation: Michailidis, P.; Dimitriadou, A.; Papadimitriou, T.; Gogas, P. Healthcare 2022, 10, x. https://doi.org/10.3390/xxxxx, Accepted: 21 May 2022