医院再入院预测——应用层次稀疏范数构建可解释模型

医院再入院已成为医疗质量的关键指标之一。可预防的再入院被确定为降低成本和改善医疗服务的主要目标之一。然而，大多数理解再入院的数据驱动研究产生了性能中等的黑箱分类和预测模型，这妨碍了它们在医院决策支持系统中的有效使用。在本文中，我们提出一种结构化稀疏诱导范数的应用，基于患者的疾病史和人口统计学特征预测再入院风险。现有研究多关注医院利用率、检测结果等，为每次住院事件分配再入院标签。而我们关注基于患者疾病史为其分配再入院风险标签。我们的重点是解释模型以增进对再入院问题的理解。为此，我们利用疾病编码（即分类算法的特征）所具备的由领域诱导的层次结构。我们采用基于树的稀疏诱导正则化策略，显式利用领域层次。所得模型不仅优于标准正则化方法，而且高度稀疏且可解释。我们分析该模型并识别出若干影响再入院风险的显著因素。其中一些因素与现有认知一致，例如住院期间手术并发症和感染的影响。其他因素，如精神障碍和物质滥用对再入院的影响，为若干已有但未经验证的假设提供了经验证据。分析还揭示了先前未发现的联系，如缺乏住房、营养不良等社会经济因素的影响。