改进的美国外科医师学会NSQIP医院基准评估方法：对多个CPT编码（而不仅仅是主要编码）进行风险调整

风险调整方法改进：研究对比了基于单个CPT代码与21个CPT代码的风险调整模型，结果显示多例手术医院在考虑全部代码时评估更公平。

　　```section>

摘要 简而言之

---

背景：

由于逻辑回归本身存在的技术限制，NSQIP评估历来仅使用一个主要的CPT代码作为风险调整因素。这可能会导致医院之间出现偏差（无论是正面还是负面），具体取决于这些医院进行的多项手术数量。本研究将使用当前的统计方法与一种新的评估方法进行了比较，新方法允许结合多个记录的CPT代码进行风险调整（此处最多使用21个CPT代码）。

研究设计：

分析了美国外科医师学会（American College of Surgeons）2023年的NSQIP数据，涵盖了来自676家医院的994,332名患者。建模过程首先进行了逻辑回归分析，利用5年的历史数据为14个结果指标生成了每个指标的特定CPT代码线性风险评分（logit评分）。该评分随后被用作后续模型中的风险调整变量之一。在本次重新分析中，使用Catboost机器学习算法重复了这一步骤，该算法能够根据报告的最多21个CPT代码生成logit风险评分。研究了这两种基于CPT代码的风险调整方法对医院评估结果的影响。

结果：

14个评估指标的基准测试结果在不同分析方法之间相似，但并不完全相同。在研究的14个指标中，有13个指标显示：医院报告的CPT代码数量越多，当模型考虑所有代码时，其基准测试优势越大；而仅报告主要CPT代码的医院，则在模型仅考虑该代码时具有基准测试优势。

结论：

由于不同医院进行的多项手术比例存在差异，使用多个CPT代码进行风险调整能够提供更可靠的基准测试结果。

通过引入一种新的评估方法，美国外科医师学会的NSQIP评估将得到改进。新方法能够根据最多21个CPT代码对手术程序进行风险调整，而不仅仅是NSQIP定义的主要CPT代码。这种建模改进将更公平地补偿那些进行较多多项手术的医院。

```