《Pediatric Research》:Non-medical drivers of health and pediatric no-show prediction: identifying modifiable risk factors
编辑推荐:
背景:医疗预约失约(no-show)导致医疗服务中断和低效。尽管人工智能/机器学习(artificial intelligence/machine learning, AI/ML)模型越来越多用于预测失约,但少有模型纳入非医疗健康驱动因素(non-medica
背景:医疗预约失约(no-show)导致医疗服务中断和低效。尽管人工智能/机器学习(artificial intelligence/machine learning, AI/ML)模型越来越多用于预测失约,但少有模型纳入非医疗健康驱动因素(non-medical drivers of health, NMDOH),尤其是在儿科人群中。本研究评估将NMDOH纳入儿科AI/ML失约预测,并识别与失约相关的可修改因素。
方法:研究人员开展了一项回顾性研究,纳入2024年4月至8月期间六家普通儿科诊所的已预约儿科就诊,使用电子健康记录(electronic health record, EHR)和NMDOH筛查数据。采用基于Transformer的AI/ML失约模型,通过受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUROC)和精确率-召回率曲线下面积(area under the precision-recall curve, AUPRC)评估。采用多变量logistic回归评估与失约状态相关的因素。
结果:在纳入的7,931次预约中,2,761次(34.8%)为失约。含与不含NMDOH变量的模型表现相似(AUROC均为0.708;AUPRC分别为0.536 vs. 0.535)。纳入患者人口学和保险变量后性能略有改善,含与不含NMDOH结果相似(AUROC均为0.721,AUPRC均为0.542)。失约与未确认预约、非活跃患者门户(patient portal)状态、交通需求和住房不稳定相关。
结论:NMDOH变量未显著改变模型性能,但识别出与失约相关的可行动因素。预测模型在与针对性外展和障碍减少策略配合使用时可能最有用。
影响:非医疗健康驱动因素(NMDOH),包括交通需求和住房不稳定,以及预约确认和患者门户激活,与错过的儿科预约相关。将NMDOH纳入AI/ML失约预测模型未显著改变预测性能。这些关联突出了可通过临床和运营干预靶向的可修改障碍。基于AI的失约预测在与外展和障碍减少策略配合使用时可能最有效。
论文解读:非医疗健康驱动因素与儿科预约失约预测:识别可修改风险因素
一、研究背景与问题
预约失约(no-show)是医疗服务提供中的持续挑战,会造成临床时间闲置、降低提供者生产力、减少其他患者的预约可及性,并给医疗系统带来财务负担。对患者而言,失约会破坏照护连续性,导致诊断延迟、治疗碎片化和更差健康结局。既往研究显示,错过初级保健预约的患者更可能经历住院、慢性健康问题和早期死亡。驱动失约的因素复杂,包括时间冲突、交通障碍、经济压力和更广泛的环境挑战。社会经济地位较低的患者受影响更明显,其失约率更高。影响健康结局的社会和环境因素被称为非医疗健康驱动因素(non-medical drivers of health, NMDOH),其在儿科人群缺席中的作用关键但尚未被充分研究。
应对失约需要超越传统排班策略。人工智能/机器学习(artificial intelligence/machine learning, AI/ML)可通过分析大规模健康数据预测患者失约,识别高风险个体,帮助诊所规划资源和调整排班,例如策略性超额预约以减少空闲时间。然而,现有模型存在重要局限:多数在成人中开发,仅少数聚焦儿科;无论成人或儿科,少有将NMDOH纳入预测模型。缺少这些社会和情境因素时,算法只能部分解释患者为何错过就诊,也更难产生有意义的解决方案。若模型将患者标为“高风险”却未考虑结构性障碍,可能无意中降低脆弱家庭的排班优先级或分配更不便的预约时间,强化照护可及性不平等。本研究基于University of Texas Health Science Center at Houston开发的AI/ML失约预测模型,将其应用扩展到儿科并纳入NMDOH,旨在评估在儿科AI/ML失约预测模型中纳入NMDOH的效果,并识别可能减少失约的可修改患者和诊所因素。可修改因素被定义为可通过临床和排班过程或支持性干预改变或处理的特征,包括某些NMDOH。研究人员假设NMDOH与失约风险相关,且将其纳入预测模型会提升模型性能。该工作旨在为公平、针对性干预以提高儿科患者预约依从性奠定基础。
二、研究人员开展的研究、结论与意义
研究人员开展回顾性观察性研究,分析六家UT Physicians普通儿科诊所在2024年4月12日至8月31日期间的已预约儿科门诊预约。诊所包括一家位于Texas Medical Center的大型学术型诊所和五家位于大休斯敦都会区的社区型诊所。这些诊所此前已实施与电子健康记录(electronic health record, EHR)整合的NMDOH筛查和转诊项目,筛查率较高。分析单位为已预约门诊预约;研究纳入未提前取消(即未在预约时间>24 h前取消)且有预约前NMDOH筛查数据的预约。最终分析样本为7,931次预约,其中5,170次(65.2%)被出席,2,761次(34.8%)为失约。研究人员使用既往开发的基于时间Transformer的AI/ML失约预测模型。结论是,纳入NMDOH变量未显著改变模型性能,但识别出与失约相关的可行动因素,包括未确认预约、非活跃患者门户(patient portal)状态、交通需求和住房不稳定。其意义在于,AI失约预测模型在与针对性外展和障碍减少策略配合时可能最有用,并提示需要以公平方式实施,避免因预测风险而加重照护可及性不平等。
三、关键技术方法
采用回顾性观察性研究;样本队列来源为六家UT Physicians普通儿科诊所,包括一家位于Texas Medical Center的大型学术型诊所和五家位于大休斯敦都会区的社区型诊所,时间范围为2024年4月12日至8月31日。数据来自EHR及预约前NMDOH筛查,问卷包含13个验证问题,覆盖食物不安全、交通需求、住房不稳定、经济资源紧张、健康素养和健康相关法律需求六个域。分析单位为预约,排除提前取消(>24 h前取消),并限制有预约前NMDOH数据。AI/ML采用Transformer时间模型,输入包括既往出席、电话提醒、确认状态、预约细节和天气等;性能以AUROC和AUPRC评估,比较含/不含人口学与保险变量、含/不含NMDOH变量配置。第二目标采用广义估计方程(generalized estimating equations, GEE)及logit链接评估失约与患者、预约、诊所和NMDOH因素的关联,随机效应logistic回归作为敏感性分析。研究获IRB批准HSC-MS-24-1003。
四、研究结果
含与不含NMDOH的AI/ML模型性能
研究人员用基于Transformer的AI/ML模型评估儿科失约预测。仅纳入基线变量时,模型含与不含NMDOH数据性能相似,AUROC均为0.708,AUPRC分别为0.5354和0.5357。加入人口学和保险变量后,AUROC为0.7207,AUPRC为0.5418。将NMDOH数据加入基线和人口学及保险变量后,AUROC为0.7213,AUPRC为0.5422。总体显示,NMDOH变量未显著改变模型性能。
与预约失约相关的因素
研究人员对7,931次相关预约进行分析。平均患者年龄为4.23岁(SD 5.11),性别分布均匀(51.2%为男性)。预约多数涉及西班牙裔(43.2%)和非西班牙裔黑人(39.2%)患者,多数由Medicaid覆盖(79.9%)。一家诊所占最大预约份额(33.6%)。大多数预约与已激活EHR患者门户账户相关(76.6%),未提前确认者占72.6%,0–3岁儿童健康访视为48.5%。平均排程提前期为46.7天(SD 61.0)。预约层面NMDOH测量的缺失率为8.6%至28.2%,其中交通需求未知比例最高(28.2%),其次为经济资源紧张(18.3%)、住房不稳定(17.5%)、法律需求(15.6%)和食物不安全(8.6%)。
GEE回归显示,种族/族裔和保险类型与失约状态相关。调整其他因素后,与非西班牙裔白人患者相比,非西班牙裔黑人患者失约比值更高(aOR 1.68,95% CI 1.31–2.16)。与私人保险患者相比,Medicaid保险或未知保险状态患者失约比值更高(分别为aOR 1.76,95% CI 1.50–2.06;aOR 5.09,95% CI 3.78–6.87)。患者年龄和性别与失约状态无显著关联。
预约和诊所特征与失约强相关。诊所地点独立相关,提示调整协变量后不同地点失约风险存在有意义差异。与已激活EHR门户的患者相比,其他状态(如未激活、拒绝、待激活)患者失约比值更高(aOR 1.31,95% CI 1.15–1.48)。未确认预约相比已确认预约失约比值显著更高(aOR 2.24,95% CI 1.98–2.52)。就诊类型与失约相关:与既定随访相比,0–3岁和4–8岁儿童健康访视失约比值更低(分别为aOR 0.61,95% CI 0.53–0.70;aOR 0.69,95% CI 0.59–0.82),新生儿访视也更低(aOR 0.44,95% CI 0.23–0.84)。排程至就诊每增加一天,失约比值有统计学显著增加(aOR 1.00,95% CI 1.002–1.004;p<0.001),相当于提前30天预约的失约比值约高10–16%。在NMDOH变量中,交通需求和住房不稳定与失约显著相关:有交通需求相比无交通需求失约比值更高(aOR 1.54,95% CI 1.23–1.92);有住房不稳定相比无住房不稳定失约比值更高(aOR 1.26,95% CI 1.02–1.57)。食物不安全、经济资源紧张、健康相关法律需求和健康素养在调整后与失约状态无显著关联。随机效应logistic回归敏感性分析与主要GEE分析结果相当,支持研究结果稳健性。
五、讨论总结
该儿科AI/ML失约预测研究中,纳入患者人口学和保险变量与模型性能小幅但显著改善相关。当这些变量纳入后,再加入NMDOH测量未改变预测性能指标。同时,多个NMDOH变量独立与失约行为相关,支持其临床相关性。预约确认状态、患者门户激活状态、交通需求和住房不稳定均与错过预约相关,提示临床和运营工作流中潜在可修改靶点。模型区分度中等,AUROC约为0.71,AUPRC约为0.54;研究失约率为34.8%,观察到的AUPRC超过基线患病率,但仅表明中等预测精确度。所用Transformer模型最初基于成人门诊数据开发,因患者人口学、照护者依赖的就诊模式、就诊特征和失约率差异,成人与儿科表现可能不同。在此儿科队列中,模型中等区分度提示AI失约预测可能有助于识别可从针对性外展获益的患者,但不应视为足以单独作为排班或资源配置策略。
在该儿科队列中,未确认预约和非活跃患者门户状态与错过就诊强相关。72.6%预约被归类为未确认。在该排班系统中,确认需要患者通过可用沟通渠道主动回应;患者即使收到提醒,如未主动回应,仍被归类为未确认。因此,高比例未确认可能反映患者参与挑战和确认工作流特征,而非仅提醒未送达。未确认预约与失约强相关提示可评估提醒方式,并对临近预约仍未确认者实施针对性外展。既往文献报告提醒系统与预约出席改善相关。除提醒外,这些发现提示更广泛的就诊前参与策略,如多模式外展和患者门户注册协助,可能有助于促进预约确认并改善出席。就诊类型也与出席相关,儿童健康访视和新生儿访视相比既定随访失约比值更低,提示外展策略可按就诊类型定制。交通需求和住房不稳定进一步指向可通过交通援助和照护协调转诊等支持服务处理的可及性障碍。
并非所有与失约相关变量都可直接修改。人口学特征,包括种族/族裔和保险状态,也与错过预约相关。未知保险状态与失约比值显著更高相关,并在分析中显示最大效应量。在该EHR系统中,该类别反映不完整或未验证保险信息,而非独立保险类型,可能提示保险不稳定、待验证、覆盖中断或其他行政复杂性。由于保险信息常在就诊时验证或更新,反复失约患者可能更可能保留未知保险标记。尽管关联幅度提示未知保险状态患者失约风险升高,但该类别异质性使难以区分导致观察关联的潜在因素,因此应谨慎解释。同时,纳入人口学和保险变量的预测模型在用于指导排班决策(包括超额预约和患者优先级)时需谨慎实施,以确保公平和所有患者照护可及性。实践中,预测风险升高可能更适合触发支持性外展和障碍减少策略,而非可能产生意外可及性后果的排班策略,这符合以儿童为中心并符合伦理实施医学AI的建议。
该研究存在局限。分析期较短,约5个月,且在单一春夏时期,原因是EHR中预约前数据可用于稳定AI模型评估和回归分析的时间窗有限,因为患者数据在EHR中实时更新。儿科预约出席模式可能因学校安排、季节性疾病、节假日和天气在全年变化,因此观察到的模型性能和风险因素可能无法推广至其他季节或更长期临床运营。未来研究应跨季节周期和多年份评估模型性能。此外,若干NMDOH变量存在显著缺失,尤其是交通需求(28.2%未知)。未知类别反映筛查回答不完整、患者拒绝或未实施问题。尽管交通需求仍独立与失约状态相关,但不完整NMDOH数据可能降低这些变量对模型性能的贡献,并可能减弱某些关联。缺失数据也限制了某些候选变量的纳入,一些缺失严重的测量,如患者宗教,无法可靠纳入。最后,研究在单一有既定NMDOH筛查和转诊流程的健康系统内进行,可能限制对无类似基础设施环境的推广性。研究发现对儿科环境中AI失约预测工具的实施有启示:仅预测本身不太可能减少失约,除非与针对性外展和资源连接干预配合。未来工作应聚焦由预测风险和NMDOH指标触发的干预策略前瞻性评估,包括患者参与努力和照护协调工作流。持续监测意外不公平效应将很重要,以确保AI支持策略减少失约而不加重照护可及性不平等。
研究结论翻译:NMDOH变量未显著改变模型性能,但识别出与失约相关的可行动因素。预测模型在与针对性外展和障碍减少策略配合使用时可能最有用。