Predicting 30-Day Readmissions in Patients With Heart Failure Using Administrative Data: A Machine Learning Approach
Notice bibliographique
Résumé
BACKGROUND: We sought to develop machine learning (ML) models trained on administrative data which predict risk of readmission in patients with heart failure and to evaluate and compare the ML model with the currently used LaCE score using clinically informative metrics. METHODS AND RESULTS: This prognostic study was conducted in Alberta, Canada, on 9845 patients with confirmed heart failure admitted to hospital between 2012 and 2019. The outcome was unplanned all-cause hospital readmission within 30 days of discharge. We used 80% of the data for the ML model development and 20% for independent validation. We reported, using the validation set, c-statistics (area under the receiver operating characteristic curves)and performance metrics (likelihood ratio, positive predictive values) for the XGBoost model and a modified LaCE score within their respective predictive thresholds. Boosted tree-based classifiers had higher area under the receiver operating characteristic curves (0.65 for XGBoost) compared with others (0.58 for neural networks) and 0.57 for the modified LaCE. Within the predicted threshold range of the XGBoost classifier, the positive likelihood ratio was 1.00 at the low end of predicted risk and 6.12 at the high end, resulting in a positive predictive value (post-test probability) range of 21%-62%; the pretest probability of readmission was 20.9% using prevalence. The corresponding positive likelihood ratios and positive predictive values across LaCE score thresholds were 1.00-1.20 and 21%-24%, respectively. CONCLUSIONS: Despite predicting readmissions better than the LaCE, even the best ML model trained on administrative health data (XGBoost) did not provide substantially informative prediction performance as it only generated a moderate shift from pre to post-test probability. Health systems wishing to deploy such a tool should consider training ML models with additional data. Adding other techniques like natural language processing, along with ML, to use other clinical information (like chart notes) might improve prediction performance.
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 | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».