심부전으로 입원한 환자의 30일 전원 재입원 예측

중요성 심부전 환자의 30일 재입원 예측 모델 개발에 여러 차례 시도가 있었으나, 임상 사용에 충분한 판별력을 가진 모델은 없었다. 기계 학습(ML) 알고리즘은 새로운 접근 방식을 나타내며 전통적인 통계 모델링에 비해 잠재적인 이점을 가질 수 있다. 목적 심부전 입원 후 퇴원 30일 내의 전원 재입원을 예측하기 위해 ML 접근 방식을 사용하여 모델을 개발하고, "전통적인" 통계 기반 방법으로 개발된 모델과 ML 모델 성능을 비교하는 것이다. 디자인, 설정 및 참여자 모델은 ML 알고리즘을 사용하여 개발되었으며, 구체적으로는 트리 증강 나이브 베이즈 네트워크, 랜덤 포레스트 알고리즘 및 그래디언트 부스팅 모델이 사용되었고, 두 개의 독립적으로 도출된 로지스틱 회귀 모델(새로 개발한 모델과 전자 건강 기록을 사용하여 개발된 사전 모델) 및 최소 절대 축소 및 선택 연산자 방법과 비교했다. 연구 샘플은 모델 성능 개발 및 테스트를 위해 훈련 세트(70%)와 검증 세트(30%)로 무작위 분할되었다. 이는 등록 기반 연구이며, 연구 샘플은 Get With the Guidelines 심부전 레지스트리에서 환자 데이터를 메디케어 데이터와 연결하여 얻었다. 적절한 포함 및 제외 기준을 적용한 후 56,477명의 환자가 분석에 포함되었다. 연구는 2005년 1월 4일부터 2010년 12월 1일까지 시행되었으며, 데이터 분석은 2014년 11월 25일부터 2016년 6월 30일 사이에 수행되었다. 주요 결과 및 측정 검증 샘플의 모델 간 판별력 비교에는 C 통계가 사용되었다. 결과 전체 30일 재입원율은 21.2%(56,477명 중 11,959명)였다. 트리 증강 나이브 베이즈 네트워크, 랜덤 포레스트, 그래디언트 부스팅, 로지스틱 회귀 및 최소 절대 축소 및 선택 연산자 모델의 C 통계는 검증 세트에서 각각 0.618, 0.607, 0.614, 0.624 및 0.618로 유사하였다. 이전에 검증된 전자 건강 기록 모델을 우리 연구 샘플에 적용한 결과, 검증 세트의 C 통계는 0.589로 나타났다. 결론 및 관련성 여러 ML 알고리즘의 사용은 전통적인 예측 모델에 비해 30일 심부전 재입원 예측을 개선하지 않았다. ML 접근법의 예측 모델링에서의 추가적인 응용이 있을 가능성이 있지만, 우리의 연구는 심부전 재입원에 대한 제한된 예측 능력에 대한 문헌에 해당한다.