Abstract
Formål. At udvikle modeller til at estimere risiko for uplanlagt hospitalsindlæggelse indenfor 90 dage.
Population og setting. 12.220 hjemmeplejemodtagere på 65 år eller ældre bosiddende i Københavns Kommune fra perioden oktober 2017 til januar 2019.
Outcome. Tre outcomes blev modelleret separat. Indlæggelse indenfor 90 dage (prævalens i parentes) akut (17%), med forebyggelig diagnose (5%) eller med nedre luftvejssygdom (3%).
Prædiktorer. 732 prædiktorer blev uddraget fra danske registre vedrørende socio-demografi, tid allokeret til hjemmepleje, helbredsvurderinger og -målinger, 10 års indlæggelseshistorik samt indløste receptpligtige lægemidler.
Metoder. Vi trænede en binær klassifikationsmodel med algoritmen extreme gradient boosting til hver af de tre outcomes. Hyperparameter gitter søgning med krydsvalidering blev anvendt til at udvælge optimale hyperparametre. Et internt testsæt (samme periode som træningssæt) og et temporalt testsæt (forskellig periode end træningssættet) på hjemmeplejemodtagere der ikke brugt til modeltræning blev anvendt til at evaluere modellens diskrimination mellem indlagte og ikke indlagte. Risikomodeller blev trænet med fire prædiktorsæt baseret på prædiktornes dataoprindelse: Københavns Kommunes (KK) data, KK data og lægemiddeldatabase (LMDB) data, KK data og landspatientregister (LPR) data, KK, LPR og LMDB.
Resultater. Vi fandt at modeller med prædiktorer fra KK alene har den ringeste evne til at estimere risiko for uplanlagt indlæggelse på tværs af outcomes (akut, forebyggelig eller nedre luftvejssygdom). Tilføjelse af LMDB prædiktorer til KK prædiktorer forbedrer risiko estimationen målt p˚a arealet under precision recall kurven (AUCPR), mens tilføjelselsen af LPR prædiktorer til KK prædiktorer yderligere øger risiko estimationen. Lægemiddelprædiktorer har kun lille betydning for estimation af risiko for akut indlæggelse, men større bedtydning for de mere snævre outcomes indlæggelse med forebyggelig sygdom og nedre luftvejssygdom. Når alle prædiktorer anvendes ser vi at følgende prædiktorer har størst betydning for modellerne: indlæggelseshistorik, visiteret tid til hjemmepleje, antal nødopkaldsbesøg seneste år, alder og indløsning af recepter til respiratorisk medicin.
Population og setting. 12.220 hjemmeplejemodtagere på 65 år eller ældre bosiddende i Københavns Kommune fra perioden oktober 2017 til januar 2019.
Outcome. Tre outcomes blev modelleret separat. Indlæggelse indenfor 90 dage (prævalens i parentes) akut (17%), med forebyggelig diagnose (5%) eller med nedre luftvejssygdom (3%).
Prædiktorer. 732 prædiktorer blev uddraget fra danske registre vedrørende socio-demografi, tid allokeret til hjemmepleje, helbredsvurderinger og -målinger, 10 års indlæggelseshistorik samt indløste receptpligtige lægemidler.
Metoder. Vi trænede en binær klassifikationsmodel med algoritmen extreme gradient boosting til hver af de tre outcomes. Hyperparameter gitter søgning med krydsvalidering blev anvendt til at udvælge optimale hyperparametre. Et internt testsæt (samme periode som træningssæt) og et temporalt testsæt (forskellig periode end træningssættet) på hjemmeplejemodtagere der ikke brugt til modeltræning blev anvendt til at evaluere modellens diskrimination mellem indlagte og ikke indlagte. Risikomodeller blev trænet med fire prædiktorsæt baseret på prædiktornes dataoprindelse: Københavns Kommunes (KK) data, KK data og lægemiddeldatabase (LMDB) data, KK data og landspatientregister (LPR) data, KK, LPR og LMDB.
Resultater. Vi fandt at modeller med prædiktorer fra KK alene har den ringeste evne til at estimere risiko for uplanlagt indlæggelse på tværs af outcomes (akut, forebyggelig eller nedre luftvejssygdom). Tilføjelse af LMDB prædiktorer til KK prædiktorer forbedrer risiko estimationen målt p˚a arealet under precision recall kurven (AUCPR), mens tilføjelselsen af LPR prædiktorer til KK prædiktorer yderligere øger risiko estimationen. Lægemiddelprædiktorer har kun lille betydning for estimation af risiko for akut indlæggelse, men større bedtydning for de mere snævre outcomes indlæggelse med forebyggelig sygdom og nedre luftvejssygdom. Når alle prædiktorer anvendes ser vi at følgende prædiktorer har størst betydning for modellerne: indlæggelseshistorik, visiteret tid til hjemmepleje, antal nødopkaldsbesøg seneste år, alder og indløsning af recepter til respiratorisk medicin.
| Original language | English |
|---|
| Publisher | DTU Compute |
|---|---|
| Number of pages | 18 |
| Publication status | Published - 2022 |