比较逻辑回归与人工神经网络模型在分析老年群体Medicare利用与成本中的应用

《Medical Care》:Comparing Logistic Regression and Artificial Neural Network Models for Analyzing Medicare Utilization and Costs Among Older Adults

【字体: 大 中 小 】 时间:2026年03月06日 来源:Medical Care 1.9

编辑推荐:

  背景:人工神经网络(ANNs)在医疗结局预测中的应用日益增多,但其在卫生服务研究中相比传统方法的相对优势仍不明确。目标:利用安德森行为模型(Andersen Behavioral Model)分析社区居住老年人的卫生服务利用和成本,并比较逻辑回归(Logist

  
背景:人工神经网络(ANNs)在医疗结局预测中的应用日益增多,但其在卫生服务研究中相比传统方法的相对优势仍不明确。目标:利用安德森行为模型(Andersen Behavioral Model)分析社区居住老年人的卫生服务利用和成本,并比较逻辑回归(Logistic Regression)与人工神经网络(ANN)模型的性能。研究设计:基于CMS Medicare按服务付费(FFS)索赔数据与医疗服务提供者和系统消费者评估调查(CAHPS)的链接数据(2018–2022年)进行横断面研究。样本包括254,748名65岁及以上的Medicare受益人群。结局指标为高Medicare成本(前25%)、30天再入院和可预防住院(预防质量指标,PQIs)。预测因子包括社会经济因素、慢性疾病和患者报告指标。模型性能通过受试者工作特征曲线下面积(AUC)、敏感性、特异性、阳性预测值(PPV)、阴性预测值(NPV)和布里尔评分(Brier scores)进行评估。结果:慢性疾病(包括心脏病和抑郁症)显著预测更高的Medicare成本。自评健康差、功能限制、双重资格和较低教育程度与再入院和可预防住院强相关。ANN和逻辑回归模型在各结局上表现相当,AUC、敏感性、特异性、PPV、NPV和布里尔评分相似。结论:逻辑回归和ANN模型均能有效利用结构化Medicare数据预测老年人的卫生服务利用和高风险结局。逻辑回归具有可解释性和稳健的预测能力,而随着医疗数据日趋复杂和全面,ANN模型可能提供额外价值。
**论文解读:逻辑回归与人工神经网络在老年Medicare利用与成本预测中的比较研究**

**研究背景与问题**

随着人口老龄化加速,美国联邦医疗保险(Medicare)支出预计在2023至2032年间以年均7.4%的速度增长。可预防住院和30天再入院是老年人群高医疗成本的主要驱动因素,同时这些指标也是医疗质量评价和价值支付激励的依据。社会经济地位(SES)在卫生服务利用和支出中起关键作用,较低SES与更高的慢性病患病率、更低的医疗服务可及性以及更高的住院率相关。安德森行为模型(Andersen Behavioral Model)是理解卫生服务利用决定因素的常用框架,将预测因子分为倾向因素、使能因素和需求因素。然而,现有研究常缺乏整合性数据,难以充分捕捉老年人群卫生服务利用的变异。近年来,机器学习方法(如人工神经网络,ANNs)在精准医学领域得到广泛应用,但在卫生服务与卫生政策研究中应用有限,主要障碍在于神经网络作为“黑箱模型”的可解释性较差。此外,机器学习对输入数据的质量和结构高度敏感,不完善的概念框架可能导致“垃圾进,垃圾出”问题。因此,研究人员开展本研究,旨在利用链接的Medicare按服务付费(FFS)索赔数据、调查数据和SES指标,在安德森模型框架下,比较逻辑回归(Logistic Regression)与多层感知器(MLP)人工神经网络在预测老年人高成本、30天再入院和可预防住院方面的性能,评估机器学习的附加价值与传统方法的稳健性。研究成果发表在《Medical Care》。

**关键技术方法**

研究人员采用横断面研究设计,数据来源于美国医疗保险和医疗补助服务中心(CMS)Medicare受益人摘要文件(MBSF),并链接2018、2019、2021、2022年Medicare FFS消费者评估调查(MCAHPS)以及社会脆弱性指数(SVI)。样本队列为254,748名65岁及以上社区居住的Medicare FFS受益人,其中35,212名有住院经历的受益人纳入可预防住院和再入院分析。主要技术方法包括:加权逻辑回归模型(利用个体层面调查权重保证全国代表性);人工神经网络采用MLP架构,包含输入层(23个预测变量,依据安德森模型)、一个隐藏层(通过超参数调优确定节点数)和单节点输出层(二分类),使用Sigmoid激活函数和Adam优化器训练;模型采用70%/30%随机分割训练测试,5折交叉验证及早期停止防止过拟合;性能评估采用受试者工作特征曲线下面积(AUC)、敏感性、特异性、阳性预测值(PPV)、阴性预测值(NPV)和布里尔评分(Brier score);数据分析使用STATA 18 MP、SAS和IBM SPSS Statistics 29.0。

**研究结果**

**ANN结果:高Medicare总成本(HCOST)**
采用23-7-1架构的ANN模型,关键预测因子包括心脏病、哮喘、高脂血症、Medicaid双重资格、抑郁症、高血压、用药便利性、日常生活活动受限(ADL)和阿尔茨海默病及相关痴呆(ADRD)。一个隐藏层(权重和=0.559)与高成本相关,包含抑郁症(权重0.694)、双重资格(0.509)、ADRD(0.238)、用药便利性(0.192);另一隐藏层(权重和=-0.653)与低成本相关,包含无心脏病(-0.644)、高脂血症(-0.361)、哮喘(-0.222)、ADL受限(-0.516)。该模型AUC为0.781,区分能力良好。

**ANN结果:30天全因再入院**
采用23-11-1架构,AUC为0.670,分类性能尚可。一个与较低再入院风险相关的隐藏层(权重和=-0.625)包含无心脏病(-0.669)、无抑郁症(-0.489)、无高血压(-0.576)和自评健康好(-0.228)。

**ANN结果:PQI_91(急性可预防住院复合指标)**
采用23-8-1架构,一个与较高风险相关的隐藏层(权重和=0.287)包含心脏病(0.375)、糖尿病(0.440)、抑郁症(0.338)和自评健康差(0.244)。AUC为0.660。

**ANN结果:PQI_92(慢性可预防住院复合指标)**
采用23-10-1架构,一个与较高风险相关的隐藏层(权重和=0.672)包含心脏病(0.480)、糖尿病(0.442)、高脂血症(0.551)和自评健康差(0.289)。AUC为0.767,分类准确性良好。

**ANN与逻辑回归模型比较**
两类模型在各结局上表现相当:对于高成本,逻辑回归AUC(0.785)略高于ANN(0.781),敏感性和特异性相近;对于再入院,逻辑回归AUC(0.678)略高于ANN(0.670);对于PQI_91和PQI_92,两者AUC差异极小;所有结局的PPV、NPV和布里尔评分均高度一致。这表明在结构化、概念驱动的数据中,传统逻辑回归与ANN预测性能无显著差异。

**结论讨论与总结**

研究人员指出,需求因素(尤其是抑郁症和心脏病)是各模型中高成本和再入院的重要预测因子,这强化了临床与心理需求在卫生服务利用中的核心作用。基于安德森模型的分析显示,MLP神经网络与逻辑回归性能相当,说明传统回归方法在结构化、信息充分的数据中仍具稳健性,同时验证了将神经网络整合到理论驱动研究中的可行性。性能相似的原因包括许多预测因子与结局呈线性或单调关系,逻辑回归天然适应此类结构。尽管神经网络在非线性建模方面有优势,但本研究中未见显著提升。

讨论部分强调:本研究旨在可行性比较而非全面算法基准测试;MLP架构在透明性和可重复性方面适用于理论框架;局限性包括神经网络缺乏统计不确定性度量(无置信区间或标准误)、结局类别不平衡(如再入院率较低)、人群代表性不足(黑人和西班牙裔比例低于全国Medicare人群)可能影响亚组性能。未来研究可探索更先进架构(如卷积网络、循环网络、基于Transformer的模型)、不确定性估计方法(如贝叶斯神经网络)、处理类别不平衡的策略(如合成少数类过采样技术SMOTE或加权损失函数)以及更全面的数据纳入以减少结构性不平等。

**研究结论**
研究人员的发现表明,当应用于结构化卫生服务数据并以成熟的概念框架为指导时,传统逻辑回归可与人工神经网络(ANNs)性能相当。这突显了理论驱动且可解释的建模方法在指导卫生政策与临床决策中的持续重要性。尽管神经网络在捕捉非线性关系和复杂交互方面具有灵活性,但在预测因子-结局关系已被良好表征且主要呈线性的场景中,其性能优势可能有限。随着医疗数据日益庞大、多样化和多维化,机器学习方法在提升预测、个性化和系统层面洞察方面前景广阔。实现这一潜力需要关注透明度、可重复性、模型不确定性以及训练数据中的公平代表性。未来工作应探索更先进的神经网络架构、不确定性估计方法以及处理类别不平衡的策略(特别是针对罕见或不均匀分布的结局)。通过将神经网络与理论框架精心整合,这些方法可补充传统工具,深化对卫生服务系统的理解,并支持改善多样化老龄人群结局的策略。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号