Identificación del futuro uso elevado de servicios de salud en pacientes con multimorbilidad: desarrollo y validación interna de modelos de predicción mediante aprendizaje automático utilizando datos de registros electrónicos de salud

Resumen Propósito Desarrollar y validar internamente modelos de predicción con aprendizaje automático para el uso potencialmente prevenible de servicios de salud en pacientes con múltiples condiciones crónicas (MLTC). Este estudio es el primer paso para investigar si los modelos de predicción pueden ayudar a identificar a los pacientes con MLTC que más necesitan atención integrada. Métodos Se realizó un estudio de cohorte retrospectivo con datos de registros electrónicos de salud de adultos con MLTC de un centro médico académico en los Países Bajos. Basándonos en características demográficas y de utilización de servicios de salud en 2017, predijimos ≥ 12 visitas ambulatorias, ≥ 1 visita a la sala de emergencias (ED) y ≥ 1 hospitalización aguda en 2018. Se desarrollaron, optimizaron y evaluaron cuatro modelos de aprendizaje automático (regresión de red elástica, aumento extremo de gradiente (XGB), regresión logística y bosque aleatorio) en un conjunto de datos de retención para cada resultado. Resultados Se incluyeron un total de 14,486 pacientes con MLTC. Basándonos en el área bajo la curva (AUC) y las curvas de calibración, se seleccionó el modelo XGB como el modelo final para los tres resultados. La AUC fue de 0.82 para ≥ 12 visitas ambulatorias, 0.76 para ≥ 1 visita a la ED y 0.73 para ≥ 1 hospitalización aguda. A pesar de una AUC y calibración adecuadas, las curvas de precisión-recall mostraron un rendimiento subóptimo. Conclusiones Los modelos finales seleccionados por resultado pueden identificar a los pacientes con un uso elevado de servicios de salud potencialmente prevenible en el futuro. Sin embargo, identificar pacientes de alto riesgo con MLTC y fundamentar si son los que más necesitan atención integrada sigue siendo un desafío. Se justifica una investigación adicional para determinar si los pacientes con alto uso de servicios de salud son efectivamente los que más necesitan atención integrada y si los pacientes identificados cuantitativamente coinciden con la identificación basada en la experiencia y juicio de los clínicos.