患者自报数据提升不列颠哥伦比亚省高需求高成本患者预测模型的效能研究

来自加拿大的研究人员针对高需求高成本(HNHC)患者预测难题，通过整合患者自报数据与常规医疗数据，构建了五种预测模型。研究发现，加入患者自报数据后，模型区分度显著提升（c统计量从0.83升至0.85），成本捕获能力提高20%，为精准识别医疗资源消耗top 5%人群提供了新方法。

　　

在医疗资源优化领域，精准识别高需求高成本(High-Need, High-Cost, HNHC)患者始终是重大挑战。加拿大不列颠哥伦比亚省的研究团队开展了一项创新研究，通过整合急诊科(ED)和住院患者的自报问卷数据与常规医疗数据库，构建了五类预测模型。

研究团队设定了明确的预测目标：识别次年医疗成本进入人群前5%的潜在HNHC患者。实验设计包含两组预测变量：基础组（人口统计学特征、临床指标、资源使用/成本数据）和增强组（额外纳入患者自报数据）。模型效能评估采用三重维度：区分度（c统计量、成本捕获率）、校准度（校准曲线）和临床实用性（决策曲线分析）。

研究结果显示，最终纳入分析的样本量达到住院患者11,964例和急诊患者11,144例。增强模型展现出显著优势：在急诊数据集中，逻辑回归模型的c统计量从0.83（95%CI:0.77-0.86）提升至0.85（95%CI:0.80-0.88）；成本捕获率从0.52（95%CI:0.40-0.67）跃升至0.62（95%CI:0.48-0.76）。决策曲线分析证实，增强模型在各类决策阈值下均能提供最优净收益。

该研究突破性地证实，患者自述的健康状况、症状体验等主观数据能有效弥补传统医疗大数据的不足，尤其对识别"超级使用者"(super-utilizer)这类医疗成本极端值群体具有独特价值。这一发现为实施精准化患者分层管理和医疗资源优化配置提供了重要方法论支持。