基于阈值优化的电子健康记录机器学习预测城市医疗系统中糖尿病成人患者1年急性护理使用

《Diabetology》:Threshold-Optimized Electronic Health Record-Based Machine Learning for Predicting 1-Year Acute Care Use in Adults with Diabetes at an Urban Health Care System

【字体: 大 中 小 】 时间:2026年06月19日 来源:Diabetology 2.2

编辑推荐:

  背景/目标:急性护理使用(ACU)——急诊科就诊、住院和观察停留——驱动糖尿病成人患者的发病率和成本。研究人员开发并评估了机器学习模型,以使用电子健康记录(EHR)数据和邻里级数据预测1年ACU风险。方法:研究人员进行了一项回顾性队列研究,使用来自一个大型城市

  
背景/目标:急性护理使用(ACU)——急诊科就诊、住院和观察停留——驱动糖尿病成人患者的发病率和成本。研究人员开发并评估了机器学习模型,以使用电子健康记录(EHR)数据和邻里级数据预测1年ACU风险。方法:研究人员进行了一项回顾性队列研究,使用来自一个大型城市学术健康中心的去标识化EHR数据,包括患有糖尿病的成人(≥18岁)(N=23,052)。索引日期定义为每位患者最后一次就诊前一年,ACU在随后的一年中评估。研究人员建模了180个预测因子,涵盖人口统计学、面积剥夺指数(ADI)、既往医疗保健利用、生命体征/体重指数(BMI)、合并症、药物和实验室结果。使用Optuna和8折分层交叉验证调整决策树和梯度提升模型(XGBoost、LightGBM、CatBoost),优化受试者工作特征曲线下面积(AUC)。为了改善结果不平衡下的类平衡分类性能,研究人员选择了最大化宏F1(Macro F1)的事后概率阈值,并使用排列特征重要性量化可解释性。结果:30.53%的患者(7039/23,052)发生ACU。提升模型达到AUC≈0.78,其中LightGBM表现最佳(AUC=0.7839)。与0.5截止值相比,宏F1优化阈值(<0.5;通常0.375-0.40)改善了类平衡性能。在提升模型中,既往利用特征占主导,其次是出院相关因素和邻里剥夺;合并症和实验室结果也有贡献。结论:在这个单一的糖尿病成人城市学术健康系统队列中,基于电子健康记录的提升模型在预测1年ACU方面表现出中等区分度,并识别出可解释的预测信号。阈值优化改善了类平衡统计性能。既往利用、护理过渡和邻里剥夺成为主导预测特征。在更广泛应用之前,需要进行外部和时间验证。
糖尿病作为影响美国约4010万人的慢性疾病,其经济负担在2022年达到4129亿美元,其中急性护理使用(Acute Care Use, ACU)——包括急诊科就诊、住院和观察停留——是驱动发病率和费用的主要因素。尽管现有研究多聚焦于30天再入院预测,但该指标忽略了其他类型的急性护理(如首次住院、非再入院事件)以及非住院患者的风险,且30天时间窗口不足以支持门诊预防性干预。此外,传统回归模型难以捕捉临床、社会和环境因素之间的非线性交互,而机器学习(Machine Learning, ML)模型虽能处理高维数据,但面临可解释性不足和类别不平衡的挑战。基于此,研究人员利用电子健康记录(Electronic Health Record, EHR)数据和邻里层面数据,开发并评估机器学习模型,以预测糖尿病成人患者1年内的全因ACU风险,旨在支持主动式护理管理和风险分层。该研究发表在《Diabetology》。

研究人员开展了一项回顾性队列研究,使用来自天普大学健康系统(Temple University Health System, TUHS)的去标识化EHR数据。样本队列包括23,052名成人糖尿病患者(≥18岁),索引日期定义为每位患者最后一次就诊前365天,随后1年作为观察期评估ACU。研究人员构建了180个预测因子,涵盖人口统计学、面积剥夺指数(Area Deprivation Index, ADI)、既往医疗利用模式、生命体征/体重指数(Body Mass Index, BMI)、合并症、药物和实验室结果。关键技术方法包括:使用Optuna超参数优化框架对决策树和三种梯度提升模型(XGBoost、LightGBM、CatBoost)进行调优,采用8折分层交叉验证并以受试者工作特征曲线下面积(Area Under the Receiver Operating Characteristic Curve, AUC)为目标;为改善类别不平衡下的分类性能,研究人员事后选择最大化宏F1(Macro F1)的概率阈值;最后,通过排列特征重要性量化模型的可解释性。

研究结果如下:
3.1 研究人群与描述性特征:描述性统计显示,在23,052名患者中,7039人(30.53%)在观察期内至少经历一次ACU。与非ACU组相比,ACU组中女性比例略高(54.48% vs. 51.48%),黑人患者比例更高(44.48% vs. 30.39%),西班牙裔比例更高(30.22% vs. 18.52%),且更可能居住在最贫困社区(ADI Q5: 53.49% vs. 30.23%),这些差异均具有统计学显著性(p<0.001)。这些单变量比较为机器学习模型提供了背景依据。
3.2 机器学习预测模型结果:
3.2.1 基线模型性能(0.5阈值):在默认0.5概率阈值下,集成梯度提升方法的AUC范围在0.7824–0.7839之间,显著优于决策树(0.7529)。LightGBM取得最高AUC(0.7839)、最佳平衡准确率(0.6701)和宏F1(0.6845),CatBoost和XGBoost表现相近。该结果表明提升模型在区分能力上具有一致性优势。
3.2.2 阈值优化与操作点性能:通过优化宏F1,研究人员将概率阈值从默认0.50降低至约0.375–0.40。与0.5阈值相比,优化后各模型的宏F1提升至约0.695–0.696,平衡准确率约0.69,但整体准确率略有下降(因更侧重少数类ACU的识别)。AUC保持不变,因为阈值独立于区分能力。这表明阈值调整在保持区分度的同时改善了类别平衡决策性能。
3.2.3 模型可解释性与排列特征重要性:三个提升模型的排列特征重要性高度一致。既往利用特征(住院天数、急诊科就诊次数)显著主导预测信号,其次是出院状态相关因素和邻里剥夺(ADI Q5)。人口统计学指标(如种族、民族)也进入前10位,但可能反映结构性差异而非因果机制。临床特征(如心衰、血管疾病合并症及部分实验室指标)贡献较小但具有增量价值。首次就诊年份2022年的出现提示时间效应需关注。

在讨论部分,研究人员指出:本研究证实30.53%的糖尿病成人在1年内经历至少一次ACU,凸显该人群的高急性护理负担。提升模型达到AUC≈0.78的中等区分能力,优于同类30天再入院工具(AUC 0.65–0.68)。阈值优化改进了类别平衡统计性能,但需结合临床效用(如决策曲线分析)进一步评估。关键预测因素(既往利用、出院过渡、邻里剥夺)提示,护理管理应聚焦于频繁利用者、改善出院流程并应对社会结构性障碍。种族/民族特征的出现应解释为结构性不平等的标记,而非生物学原因,后续需进行正式公平性审计。研究局限性包括单中心设计(可能遗漏外院就诊)、回顾性索引日期未完全模拟前瞻性部署、缺乏时间验证、以及BMI插补(对11.96%患者基于体重回归插补)的潜在偏倚。未来方向包括外部和时间验证、决策曲线分析、个体化可解释性(如SHAP)和前瞻性试验。

研究结论部分翻译为:在这项来自单一城市学术健康系统的回顾性队列中,基于电子健康记录的机器学习模型在预测糖尿病成人患者全因1年ACU方面表现中等区分能力。阈值选择相较默认0.50截止值改善了类别平衡统计性能,特征重要性分析一致强调既往利用强度、出院相关因素和邻里剥夺是主要预测信号。这些发现支持在临床实施或推广至其他人群和场景之前进行进一步的时间验证和外部验证。
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