基于因果机器学习扩展医疗协调：降低低风险患者再入院率的随机评估

本刊推荐：为解决医院再入院率高但干预效果不一的问题，研究人员开展了一项利用因果机器学习（PBI评分）扩展过渡计划（Transitions Program）的随机研究。结果显示，干预组30天再入院率虽未达统计学显著差异（7.7% vs. 8.2%），但观察到预期再入院比率显著持续下降。这项研究首次大规模验证了因果机器学习在医疗资源优化分配中的可行性，为精准医疗干预提供了新范式。

　　

医院再入院率一直是医疗质量和政策关注的焦点。尽管多年来医院、医疗系统和支付方推出了各种干预措施——从针对性的出院后护理协调计划到全国性的医院再入院减少计划（Hospital Readmissions Reduction Program），但哪些干预措施真正有效，至今缺乏共识。不同环境和目标条件下，干预效果存在显著差异，这促使研究人员寻找更精准的患者识别方法。

传统方法多采用基于风险的算法预测，即通过统计或机器学习模型预测患者出院时的再入院风险，并优先对高风险患者进行干预。然而，这种方法存在明显局限：高风险并不总意味着可干预，许多患者的再入院可能并非通过现有手段可预防。因此，因果机器学习（Causal Machine Learning）应运而生。与预测基线风险不同，因果机器学习直接估计个体对特定治疗的反应（或获益），从而识别最可能从干预中受益的人群。

在此背景下，Kaiser Permanente Northern California（KPNC）开展了一项创新性的随机质量改进评估，旨在通过因果机器学习模型——预测获益干预（Predicted Benefit Intervention, PBI）评分，扩展其过渡计划（Transitions Program）至低风险患者。该计划此前已证明对高风险患者有效，包括降低再入院和死亡风险。本研究首次大规模随机评估了基于因果机器学习的护理协调干预，其目标不仅是验证PBI评分的实用性，还试图为医疗系统提供可持续的资源分配策略。

主要技术方法包括：使用T-learner元算法构建PBI评分模型，逻辑回归作为基础学习器，调整协变量并采用交叉验证优化；开展多中心随机对照试验，纳入9,959名低风险患者，比较过渡计划干预与常规护理；采用蒸馏法（distillation method）处理非依从性，并运用增强逆概率加权逻辑回归调整基线混杂因素；评估指标涵盖30天内非计划再入院（HEDIS可报告）、死亡及复合结局，并计算观察与预期比率（O/E比值）以衡量干预效果。

结果

随机质量改进评估队列的特征

在2022年5月19日至12月19日期间，共筛查52,754例患者，最终9,959例符合随机分配条件。干预组中位年龄61岁，55%为女性，中位TSL评分13.1%（IQR 10.1-16.7%），表明队列整体再入院和死亡风险较低。两组基线特征均衡，确保了后续分析的可比性。

随机期间的结果

意向性分析显示，干预组30天再入院率为7.7%（378/4,902），常规护理组为8.2%（415/5,057），未调整和调整后的风险比分别为0.94（95% CI 0.82-1.07）和0.94（95% CI 0.81-1.06），差异未达统计学显著性。复合结局（再入院或死亡）的发生率在干预组为7.7%，常规护理组为8.3%，风险比0.93（95% CI 0.81-1.05）。尽管绝对数值有所降低，但置信区间跨越1，表明效果未达到传统显著性阈值。

随机前后的观察结果

随机前期间（2019年3月至2022年4月），46,058例低风险患者中，被转介至过渡计划者的再入院或死亡率为12.5%，未转介者为9.9%，调整后风险比1.15（95% CI 1.04-1.27），提示干预前存在选择偏差。随机期间，再入院的观察与预期比率（O/E比值）从随机前的0.97（95% CI 0.94-1.00）显著降至0.79（95% CI 0.74-0.85），并在随机后期间（2022年12月至2023年6月）维持于0.81（95% CI 0.76-0.87），表明干预带来了持续改善。

讨论与结论

本研究首次在医疗系统中大规模随机评估了基于因果机器学习的护理协调干预。尽管30天再入院率的降低未达到统计学显著性，但其下降幅度与先前高风险人群中的观察一致，且观察与预期比率的显著改善证实了干预的潜在效果和可持续性。因果机器学习通过直接估计个体治疗效应，克服了传统风险预测模型的局限，为资源有限条件下的精准干预提供了新思路。

研究的优势包括大规模实施、集成医疗系统中的多样本队列以及随机与观察数据的结合，增强了结果的泛化性。局限性则涉及较高的跨组污染率（如转介审核关闭和患者拒绝参与），这可能降低了统计效力；同时，部分符合条件的患者被分流至其他登记项目，进一步影响了功率。这些挑战凸显了在保留“人在循环” oversight 的护理流程中整合算法干预的复杂性。

未来研究可探索针对特定人群（如围产期条件或高 utilizer 患者）的获益靶向策略，并优化因果机器学习模型在实时决策支持中的应用。总之，通过因果机器学习扩展过渡计划至低风险患者，虽未带来统计显著的再入院率下降，但实现了资源分配的优化和可持续质量改进，为数字医疗时代的精准干预树立了重要里程碑。

该论文发表于《npj Digital Medicine》，展示了因果机器学习在现实医疗场景中的可行性和潜力，为全球医疗系统提供了可借鉴的实践范例。