Uso del aprendizaje automático para predecir la probabilidad y la causa de la readmisión después de la hospitalización por exacerbación de la enfermedad pulmonar obstructiva crónica

Resumen en lenguaje sencillo

La enfermedad pulmonar obstructiva crónica (EPOC) es una de las principales causas de reingreso hospitalario. Existen pocos recursos que puedan predecir el riesgo de reingreso hospitalario de un paciente durante un ingreso inicial. Desarrollamos un modelo para evaluar el riesgo de reingreso hospitalario dentro de los 90 días posteriores a un ingreso inicial por exacerbaciones agudas de la EPOC. También desarrollamos un modelo para predecir el motivo de una futura readmisión. Para desarrollar estos modelos, utilizamos datos de registros médicos recopilados previamente de pacientes adultos que ingresaron por una exacerbación aguda de la EPOC en la Universidad de Medicina de Chicago entre 2008 y 2018. Las variables que se incluyeron en estos modelos incluyeron datos demográficos del paciente, condiciones coexistentes y valores de laboratorio, signos vitales y otros datos de registros de salud de la estadía inicial en el hospital. Comparamos nuestros modelos con otro modelo de predicción de uso común llamado puntaje HOSPITAL. Medimos la precisión de los modelos usando una medida llamada área bajo la curva característica operativa del receptor (AUROC). Nuestro modelo para predecir el riesgo de reingreso dentro de los 90 días tuvo un AUROC más alto (0.69 [0.66, 0.73]) en comparación con la puntuación HOSPITAL (0,63 [0.59, 0.67]). Nuestro modelo para predecir el motivo de reingreso mostró que el 61% eran causas respiratorias y la EPOC era la más común. Nuestros resultados mostraron que estos nuevos modelos mejoran las herramientas existentes para predecir el riesgo de reingreso a los 90 días y la causa del reingreso en pacientes ingresados ​​por exacerbaciones agudas de la EPOC. Estos modelos podrían usarse para identificar pacientes con mayor riesgo de reingreso y dirigir la atención hacia los pacientes que más lo necesitan.

Introducción

En los Estados Unidos, la enfermedad pulmonar obstructiva crónica (EPOC) afecta a más de 16 millones de adultos y se encuentra justo detrás de las enfermedades cardíacas y el cáncer como causa principal de muerte.¹ Las exacerbaciones agudas de la EPOC (AE-COPD) son la tercera causa principal de reingresos hospitalarios a los 30 días y representan hasta el 70 % de los costos de atención médica relacionados con la EPOC.² Más de un tercio de los pacientes admitidos por AE-COPD son readmitidos dentro de los 90 días posteriores a la hospitalización, lo que genera un gasto acumulado de más de $ 15 mil millones anuales.^3,4 Dados estos altos costos, el Programa de Reducción de Reingresos Hospitalarios (HRRP) comenzó a imponer sanciones a los hospitales por reingresos tempranos por EA-EPOC en 2014.^5,6 Como resultado, los hospitales de todo el país se animaron a desarrollar intervenciones en un intento por reducir los reingresos, aunque la eficacia de estas intervenciones se ha visto cuestionada en parte por la ambigüedad diagnóstica frecuente y la clasificación errónea del código de la Clasificación Internacional de Enfermedades (ICD).⁶

Predecir el riesgo y la causa de la readmisión es difícil. Se ha demostrado que el juicio clínico es en gran medida inexacto, prediciendo correctamente las readmisiones en menos de la mitad de las veces.⁷ Además, las causas de readmisión de estos pacientes son heterogéneas.⁶ La AE-EPOC se cita como el diagnóstico de reingreso después de una hospitalización inicial relacionada con la EPOC en solo un tercio de los casos.⁶ Si bien se han descrito bien los factores de riesgo generales para predecir el reingreso, no han sido útiles para mejorar las herramientas de predicción del riesgo para los pacientes con EPOC.⁸ Las herramientas precisas para identificar a los pacientes con alto riesgo de readmisión durante su estadía índice y predecir su causa más probable de readmisión podrían ayudar a los equipos de atención a decidir qué pacientes se beneficiarían más de las intervenciones hospitalarias y posteriores al alta destinadas a reducir la utilización de la atención médica después de la hospitalización por AE-EPOC.^9,10

Hasta la fecha, existen pocas herramientas de este tipo. Dos de los modelos de predicción del riesgo de reingreso más utilizados incluyen la puntuación HOSPITAL para el riesgo de reingreso general a los 30 días y la puntuación PEARL para el riesgo de reingreso a la EPOC a los 90 días. En particular, ambos utilizan predictores que no están fácilmente disponibles en el registro de salud electrónico (EHR). Por ejemplo, la puntuación ampliada de Disnea del Consejo de Investigación Médica (eMRCD) utilizada en la puntuación PEARL y el tipo de admisión (electiva frente a urgente o de emergencia) utilizada en la puntuación HOSPITAL hacen que tanto la automatización como el uso en tiempo real durante una admisión índice sean menos factibles.^11,12 Además, estas herramientas se derivaron mediante la regresión logística cuando el trabajo anterior demostró que los algoritmos de aprendizaje automático más sofisticados pueden aumentar significativamente la precisión de la predicción.^13–15

Nuestro objetivo era desarrollar modelos de aprendizaje automático utilizando datos de EHR de pacientes hospitalizados para predecir, en el momento del alta, tanto el riesgo de 90 días como la causa de reingreso para pacientes hospitalizados por AE-EPOC. Estos dos modelos podrían usarse en conjunto en el momento del alta para alertar a los médicos sobre los pacientes con alto riesgo de rehospitalización y adaptar las intervenciones de atención de transición de los pacientes en función de su causa más probable de readmisión. Estas herramientas tienen el potencial de disminuir las readmisiones, mejorar la calidad de vida del paciente y reducir los costos de atención médica.

Materiales y métodos

Población de estudio

Realizamos un estudio de cohorte retrospectivo de pacientes ingresados ​​por EA-EPOC en la Universidad de Medicina de Chicago (UCM). La Junta de Revisión Institucional de la Universidad de Chicago aprobó este estudio y otorgó una exención (IRB #17-0332). Fuimos aprobados para una exención de consentimiento ya que se trataba de una revisión de los datos de registros médicos existentes recopilados con fines de atención clínica que no presentaban más que un riesgo mínimo. Además, dada la gran cantidad de registros revisados, habría sido impracticable obtener el consentimiento informado. Todos los pacientes adultos ingresados ​​en la UCM entre el 7 de noviembre de 2008 y el 31 de diciembre de 2018 fueron elegibles para su inclusión en nuestro estudio. Se utilizaron los siguientes criterios de inclusión para seleccionar a los pacientes: edad ≥ 40 años al ingreso, código de diagnóstico ICD-9 o ICD-10 primario o secundario que indica AE-EPOC, administración de medicamentos nebulizados y esteroides sistémicos durante el ingreso y alta ≥ 90 días antes de la fecha de finalización del estudio. El esquema de selección de pacientes ICD-9 y ICD-10 fue elegido por su alta especificidad (99,5%) en la identificación de AE-EPOC en comparación con la revisión de gráficos estándar.^dieciséis Seguimos la directriz de informe Informe transparente de un modelo de predicción multivariable para pronóstico o diagnóstico individual (TRIPOD).¹⁷

Salir

El resultado del modelo de riesgo de readmisión fue la readmisión por todas las causas a la UCM dentro de los 90 días posteriores al alta de la admisión índice. El resultado del modelo de causa de readmisión fue el diagnóstico relacionado con las vías respiratorias como causa de la readmisión. Un reingreso se consideró relacionado con las vías respiratorias si el reingreso se asoció con uno o más códigos de diagnóstico específicos. Específicamente, los códigos de diagnóstico se consideraron relacionados con las vías respiratorias si se incluyen en las categorías 122 a 134 del software de clasificación clínica (CCS) (para códigos ICD-9) o si comienzan con J (para códigos ICD-10), similar al trabajo anterior.⁶ Además, hubo algunos códigos de diagnóstico relacionados con las vías respiratorias que de otro modo no se habrían incluido (p. ej., tuberculosis pulmonar) en las categorías 122 a 134 de CCS o un código ICD-10 que comienza con J. Para completar, estos diagnósticos específicos se identificaron manualmente. revisión de las descripciones del código ICD-9 e incluido. También se incluyeron las conversiones ICD-10 de estos códigos adicionales, basadas en mapas de equivalencia general de los Centros de Servicios de Medicare y Medicaid.

Selección de predictor

Predictores tales como datos demográficos, signos vitales, resultados de laboratorio, medicamentos administrados, comorbilidades de admisiones previas determinadas por el sistema de clasificación Elixhauser y otros datos clínicos se recuperaron de un servidor seguro alojado en el Almacén de datos de investigación clínica de la Universidad de Chicago. Se eliminaron los predictores considerados de poca importancia según la literatura previa y nuestra experiencia clínica.^6,12,18–20 Para signos vitales y valores de laboratorio se utilizó el último valor antes del alta. El índice de Elixhauser se calculó utilizando las ponderaciones proporcionadas por la Agencia para la Investigación y la Calidad de la Atención Médica (AHRQ).²¹ Tal como se realizó en otros estudios similares, las variables numéricas faltantes y los valores atípicos sin sentido se imputaron utilizando medianas calculadas a partir de nuestra cohorte de estudio o se establecieron en 0 en el caso de variables binarias.^14,22–24

Derivación y validación de modelos

Los datos de los pacientes se dividieron aleatoriamente en un conjunto de derivación (70 % de los encuentros) y un conjunto de validación (30 % de los encuentros). Dado que los algoritmos del árbol de decisión son susceptibles al sesgo del desequilibrio de clases, los datos de derivación se muestrearon de manera que hubiera un número igual de eventos de readmisión y no readmisión y una cantidad igual de causas de readmisión respiratorias y no respiratorias.²⁵ Random forest fue seleccionado como el modelo de predicción de elección para este estudio. Los modelos de aprendizaje automático de bosques aleatorios generan un conjunto de cientos de árboles de decisiones individuales, cuyo resultado acumulativo predice un resultado basado en promedios o votos por mayoría.²⁶ Al utilizar una gran cantidad de árboles de decisión, los bosques aleatorios pueden aprender importantes interacciones de variables, no linealidades, y se ha demostrado que superan a otros métodos en varias tareas.²⁷ Se realizó una validación cruzada de diez veces durante la derivación del modelo para…