How Good Is Machine Learning in Predicting All-Cause 30-Day Hospital Readmission? Evidence From Administrative Data
Notice bibliographique
Résumé
OBJECTIVES: Hospital readmission is a main cost driver for healthcare systems, but existing works often had poor or moderate predictive results. Although the available information differs in different studies, improving prediction is different from the search for important explanatory variables. With large sample size and abundant information, this study explores state-of-the-art machine-learning algorithms and shows their performance in prediction. METHODS: Using administrative data on 1 631 611 hospital stays from Quebec between 1995 and 2012, we predict the probability of 30-day readmission at hospital admission and discharge. We compare the performance between traditional logistic regression, logistic regression with penalization, and more recent machine-learning algorithms such as random forest, deep learning, and extreme gradient boosting. RESULTS: After a 10-fold cross-validation on the training set (80% of the data), machine learning produced very good results on a separate hold-out test set (20% of the data). The importance of explanatory variables is not the same for different algorithms. The area under receiver operating characteristic curve (AUC) reached above 0.79 at hospital admission and above 0.88 at hospital discharge. Diagnostic codes, which include many different categories, are among the most predictive variables. Logistic regression with penalization also produced good results, but a standard logistic regression failed without penalization. The good results are confirmed by calibration curves. CONCLUSION: Although the identification of those at highest risk of readmission is just 1 step to preventing hospital readmissions, 30-day readmission is highly predictable with machine learning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,069 | 0,180 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».