使用PROFUND组件的机器学习技术对多病患者的30天再住院情况进行预测：一项前瞻性多中心研究

《Scientific Reports》：Machine learning using PROFUND components for 30-day readmission prediction in multimorbid patients: a prospective multicentre study

　　

摘要

多病患者的早期再入院仍然是一个重大的临床挑战。尽管风险评估工具被广泛使用，但其预测性能往往有限。PROFUND指数能够衡量患者的虚弱程度、功能依赖性和社会脆弱性，但其在预测30天内再入院方面的作用仍不明确。在这项前瞻性多中心队列研究中，研究人员对入住内科和老年病科的多病患者进行了出院后的随访。主要结果是评估存活30天以上的患者中发生意外30天内再入院的情况。基于PROFUND各个成分的模型通过逻辑回归和梯度提升算法建立，并与LACE和HOSPITAL评分进行了比较。在外部验证队列中评估了这些模型的性能。在纳入再入院分析的435名患者中，有14%在30天内再次入院。外部验证显示，这些模型的区分能力较为有限（AUC在0.52到0.59之间）。集成XGBoost模型获得了最高的AUC（0.59），其次是XGBoost（0.58）、HOSPITAL（0.54）和LACE（0.52）。各模型之间的差异较为微小。SHAP分析表明，认知障碍、贫血、高龄、心力衰竭严重程度、功能依赖性以及照料者支持的不足是导致再入院的关键因素。尽管采用了PROFUND指数来综合评估虚弱程度、功能状态和社会脆弱性，但在预测30天内再入院方面仅取得了有限的改善。即使使用了机器学习技术，模型的区分能力仍然有限。观察到的表现可能既反映了短期再入院的固有复杂性，也受到了样本量和可用预测因素的限制。