编辑推荐：
医院出院延迟问题亟待解决，研究人员开展 “Predicting onward care needs at admission to reduce discharge delay using explainable machine learning” 主题研究。他们利用可解释机器学习模型，发现其性能与临床医生相当，混合模型预测更精准，这有助于优化出院流程11518。
在英国的医疗体系中，医院病床与社会护理服务之间的衔接存在严重问题，大量患者在病情稳定后却无法及时出院，占用着宝贵的医疗资源。据统计，英国国家医疗服务体系（NHS）有 760 万患者等待治疗，平均等待时间长达 15 周，医院病床占用率持续超 93% 。造成出院延迟的主要原因是患者后续护理需求的评估和安排出现问题，比如社区服务在人员和资金方面不足，医院内部也存在评估不及时、护理需求判断错误等情况。而且，按照 NHS 标准操作程序，入院 24 小时内的初始出院评估实际只有不到 50% 的患者能得到，这一缺失导致了 20% 的出院延迟
2316。
为了解决这些问题，英国南安普顿大学（University of Southampton）的研究人员展开了深入研究。他们的研究成果发表在《Scientific Reports》上，旨在通过可解释机器学习（ML）模型，在患者入院时就识别出其潜在的社会护理需求，以此减少出院延迟1。
研究人员在开展研究时，用到了以下几个主要关键技术方法：
- 数据收集与处理：使用 2017 年 1 月 1 日至 2023 年 1 月 1 日英国南安普顿大学医院（UHS）患者入院和住院的常规收集数据，经处理后得到用于建模的 51,754 例病例数据45。
- 模型构建与训练：采用 XGBoost 算法构建机器学习模型，以 NHS 英格兰的出院评估路径为多分类目标，进行训练和验证。同时，利用五折交叉验证和提前停止策略调整超参数，防止过拟合67。
- 模型性能评估：使用微平均 F1 分数（Micro F1 Score）、一对多受试者工作特征曲线下面积（One-Vs-Rest AUROC）和平均精度（Average Precision，AP）等指标，对模型在不同测试集上的性能进行评估8。
研究结果如下：
- 机器学习模型性能：XGBoost 模型整体性能良好（一对多受试者工作特征曲线下面积AUROC=0.915 [0.907 - 0.924]），对低 acuity 护理路径（如 Pathway 0）的识别效果更好，但也能较好地识别需要更高护理需求（Pathway 1 - 3）的患者9。
- 机器学习解释：通过 Shapley 值分析发现，患者病史（包括住院和出院史）、急诊分诊信息以及入院年份对预测出院需求最为重要。即使部分关键信息缺失，模型仍具有较好的稳健性101112。
- 与临床预测及混合模型比较：临床医生在识别 Pathway 0（即判断患者无需额外护理）方面比机器学习模型更准确，但在识别 Pathway 2 和 Pathway 3 时，机器学习模型和混合模型表现更优。混合模型结合了临床医生的初始评估和机器学习预测，能更准确地识别急性护理需求（AUROC=0.936 [0.928 - 0.943]）131417。
研究结论和讨论部分指出，可解释机器学习模型在支持临床护理团队评估患者后续护理需求方面具有巨大潜力，其性能与临床初始评估相当，且在临床评估未及时进行时能提供初始规划建议。混合模型进一步提高了对高 acuity 护理需求（Pathway 2 和 Pathway 3）的识别准确性，有助于减少出院延迟1518。
然而，将机器学习预测和解释应用于临床实践仍面临一些挑战。例如，模型存在较高的误报率，可能导致护理资源的过度分配；数据漂移和概念漂移问题需要对模型进行持续监测和定期重新训练；临床决策支持（CDS）系统的实施需要考虑如何展示预测和解释信息，以避免干扰临床工作流程。尽管如此，该研究为解决医院出院延迟问题提供了新的思路和方法，未来通过优化模型、整合到 CDS 系统中，并在更多医院进行验证，有望切实改善医疗资源的利用效率，提高患者的就医体验。
