关键词:
预住院模式
住院时长
住院费用
倾向性评分匹配
机器学习
高危肿瘤患者
摘要:
目的构建机器学习(ML)模型识别肿瘤患者住院资源消耗的风险因素,筛选高危患者实施预住院管理,评估其对住院时长与费用的影响。方法回顾性收集2021年4月至2022年10月山西医科大学第一医院收治的肿瘤住院患者资料,采用Lasso回归进行特征筛选,构建ML模型识别影响住院时长与住院费用的关键因素,并利用SHAP值解释模型结果。基于建模结果,于2022年11月至12月构建风险因素筛查和预住院管理模式,于2023年1月至6月实施该管理模式并收集实施与未实施预住院管理的患者资料,采用倾向性评分匹配(PSM)控制组间基线差异,并使用因果森林(CF)评估预住院干预对住院费用与住院时间的影响。结果共纳入5211例肿瘤患者,构建的9种ML模型中CatBoost模型效果最优,肿瘤类型、术前等待天数和年龄为影响住院资源消耗的主要风险因素。基于构建模型共筛选了698例患者纳入预住院管理,PSM后得到563对患者,CF分析结果显示,与对照组相比,接受预住院干预的患者平均住院时长显著缩短3.004[95%CI(-3.334,-2.675)]d,住院总费用平均减少1473.124[95%CI(-2,166.093,-780.155)]元,表明预住院管理可有效改善住院资源利用效率。结论对基于ML模型识别的高危人群开展预住院管理,能够显著缩短肿瘤患者住院时间、降低住院费用,对优化住院流程和资源配置具有积极意义。