精神障碍长期住院费用的风险分层：基于基线电子健康记录与住院轨迹的双轨机器学习方法

《BMC Health Services Research》：Risk stratification for long-term inpatient costs in mental disorders: a dual-track machine learning approach using baseline EHRs and hospitalization trajectories

　　

摘要

背景

精神障碍会带来巨大的长期住院费用，但现有的预测模型很少考虑住院过程的动态变化或诊断的多样性。本研究开发并验证了一种双轨机器学习框架，该框架结合了基础特征与从住院过程衍生的模式，用于预测中国精神障碍患者的三年累计住院费用。

方法

我们利用3,396名首次入住精神病医院的成年人的电子健康记录进行了回顾性队列研究，跟踪时间为三年。通过状态序列分析和层次聚类，识别出了不同的住院模式。研究使用了初次入院时的10个基础变量（集合A）以及住院模式分类（集合B），构建了5个回归模型，并采用70:30的分层抽样和五折交叉验证方法。性能评估指标为对数转换后的费用的R2、RMSE和MAE值。此外，还运用SHAP（Shapley加性解释）分析来解读最优模型并分析诊断的多样性。

结果

共识别出四种不同的住院模式：低频率短期住院（64.7%）、高频短期住院（10.0%）、长期间歇性住院（4.8%）以及长期持续性住院（20.5%）。使用集合A时，梯度提升机取得了最佳的测试性能（R2=0.35），显著优于线性回归（R2=0.33）和随机森林（R2=0.31）。加入集合B后，R2值上升至0.71（ΔR2=0.36），表明长期住院模式与累计费用之间存在密切关联，不过这一因素仅具有回顾性解释作用。SHAP分析显示，支付方式、ACCI、诊断类别和年龄是影响费用的主要因素。对于F2组患者（占研究群体的61.8%），模型性能较为稳定，而那些诊断类别较为罕见的F0、F1组患者的模型性能则明显较差。

结论

仅需利用首次入院时的常规基础信息，即可对三年累计住院费用进行风险分层。所提出的双轨框架将前瞻性预测与回顾性解释分开，为心理健康领域的机构资源规划和高风险人群筛查提供了方法上可靠的工具。未来的工作还需要进行外部验证和实际应用研究。