Upotreba elektronskih medicinskih kartona u razvoju i validaciji modela za predviđanje rizika ponovnog prijema u bolnicu: sistematski pregled.
BMJ (Clinical research ed.)
Sažetak istraživanja
Cilj Omogućiti fokusiranu evaluaciju prediktivnog modeliranja podataka elektronskog medicinskog kartona (EMR) za predviđanje ponovnog prijema u bolnicu od 30 dana.
Dizajn Sistematski pregled. Izvor podataka Ovid Medline, Ovid Embase, CINAHL, Web of Science i Scopus od januara 2015. do januara 2019. Kriterijumi podobnosti za odabir studija Sve studije prediktivnih modela za ponovni prijem u bolnicu od 28 ili 30 dana koje su koristile EMR podatke. Mjere ishoda Karakteristike uključenih studija, metode predviđanja, prediktivne karakteristike i performanse prediktivnih modela.
Rezultati Od 4442 pregledana citata, 41 studija je ispunila kriterijume za uključivanje. Sedamnaest modela je predvidelo rizik od ponovnog prijema za sve pacijente, a 24 su razvila predviđanja za specifične populacije pacijenata, od kojih je 13 razvijeno za pacijente sa srčanim oboljenjima. Osim dvije studije iz Velike Britanije i Izraela, sve su bile iz SAD-a. Ukupna veličina uzorka za svaki model kretala se između 349 i 1 195 640. Dvadeset pet modela koristilo je tehniku validacije podijeljenog uzorka. Sedamnaest od 41 studije prijavilo je C statistiku od 0,75 ili više. Petnaest modela koristilo je tehnike kalibracije za dalje usavršavanje modela. Korištenje EMR podataka omogućilo je konačnim modelima predviđanja da koriste širok spektar kliničkih mjera kao što su laboratorijski rezultati i vitalni znaci; međutim, korištenje socioekonomskih karakteristika ili funkcionalnog statusa bilo je rijetko. Koristeći obradu prirodnog jezika, tri modela su uspjela izdvojiti relevantne psihosocijalne karakteristike, što je značajno poboljšalo njihova predviđanja. Dvadeset šest studija koristilo je logističke ili Coxove regresijske modele, a ostale su koristile metode mašinskog učenja. Nije pronađena statistički značajna razlika (razlika 0,03, 95% interval pouzdanosti -0,0 do 0,07) između prosječne statistike C modela razvijenih korištenjem regresijskih metoda (0,71, 0,68 do 0,73) i mašinskog učenja (0,74, 0,71 do 0,77).
Zaključci U prosjeku, modeli predviđanja koji koriste EMR podatke imaju bolje prediktivne performanse od onih koji koriste administrativne podatke. Međutim, ovo poboljšanje ostaje skromno. Većina ispitanih studija nije uključivala socioekonomske karakteristike, nije uspjela kalibrirati modele, zanemarila je provođenje rigoroznog dijagnostičkog testiranja i nije raspravljala o kliničkom utjecaju.
Prikaži originalni naslov i sažetak na engleskom
Use of electronic medical records in development and validation of risk prediction models of hospital readmission: systematic review.
Objective To provide focused evaluation of predictive modeling of electronic medical record (EMR) data to predict 30 day hospital readmission.
Design Systematic review. Data source Ovid Medline, Ovid Embase, CINAHL, Web of Science, and Scopus from January 2015 to January 2019. Eligibility criteria for selecting studies All studies of predictive models for 28 day or 30 day hospital readmission that used EMR data. Outcome measures Characteristics of included studies, methods of prediction, predictive features, and performance of predictive models.
Results Of 4442 citations reviewed, 41 studies met the inclusion criteria. Seventeen models predicted risk of readmission for all patients and 24 developed predictions for patient specific populations, with 13 of those being developed for patients with heart conditions. Except for two studies from the UK and Israel, all were from the US. The total sample size for each model ranged between 349 and 1 195 640. Twenty five models used a split sample validation technique. Seventeen of 41 studies reported C statistics of 0.75 or greater. Fifteen models used calibration techniques to further refine the model. Using EMR data enabled final predictive models to use a wide variety of clinical measures such as laboratory results and vital signs; however, use of socioeconomic features or functional status was rare. Using natural language processing, three models were able to extract relevant psychosocial features, which substantially improved their predictions. Twenty six studies used logistic or Cox regression models, and the rest used machine learning methods. No statistically significant difference (difference 0.03, 95% confidence interval -0.0 to 0.07) was found between average C statistics of models developed using regression methods (0.71, 0.68 to 0.73) and machine learning (0.74, 0.71 to 0.77).
Conclusions On average, prediction models using EMR data have better predictive performance than those using administrative data. However, this improvement remains modest. Most of the studies examined lacked inclusion of socioeconomic features, failed to calibrate the models, neglected to conduct rigorous diagnostic testing, and did not discuss clinical impact.
Izvorni podaci
- DOI
- 10.1136/bmj.m958
- PMID
- 32269037
- PMCID
- PMC7249246
- Provjereno
- 2026-07-26
Naslov i sažetak prevedeni su automatski i prijevod može sadržavati netačnosti ili neprecizne stručne izraze. Za sve detalje, citiranje i medicinsko tumačenje pregledajte originalnu englesku verziju članka. Ne donosite zdravstvene odluke samo na osnovu ovog prijevoda.
Pregledaj originalni članak na engleskom