Development and Evaluation of Explainable Machine-Learning Models for Predicting 30-Day Unplanned Hospital Readmission

Krankenhäuser sind Orte, an die Menschen gehen, um gesund zu werden, aber manchmal finden sie sich kurz nach dem Verlassen der Klinik wieder in ihnen zurecht. Diese Rückkehr, bekannt als Wiederaufnahme (Readmission), ist oft ungeplant und kann ein Signal dafür sein, dass die Genesung eines Patienten unvollständig war, der Übergang nach Hause schwierig war oder die zugrunde liegende Gesundheit komplexer ist, als ursprünglich angenommen. Für Gesundheitssysteme sind diese Rückkehrer kostspielig und stressig für alle Beteiligten. Für Patienten stellen sie eine Unterbrechung ihrer Genesung und eine potenzielle Bedrohung für ihr Wohlbefinden dar. Aus diesem Grund suchen Ärzte und Administratoren ständig nach Wegen, um zu identifizieren, welche Patienten am wahrscheinlichsten zurückkehren werden, noch bevor sie das Krankenhaus verlassen. Wenn sie diese Risiken frühzeitig erkennen können, können sie zusätzliche Unterstützung, ein besseres Medikamentenmanagement oder eine engmaschigere Nachsorge anbieten, um die Menschen zu Hause gesund zu halten.

Seit Jahren versuchen Forscher, Computerprogramme zu entwickeln, die diese Rückkehrer vorhersagen können. Diese Programme betrachten die Krankengeschichte eines Patienten – sein Alter, frühere Krankenhausaufenthalte, die Anzahl der Medikamente, die er einnimmt, und seine aktuellen gesundheitlichen Zustände – um einen Risiko-Score zu berechnen. Die Werkzeuge, mit denen diese Programme erstellt wurden, haben sich jedoch verändert. In der Vergangenheit verließen sich Wissenschaftler auf einfache statistische Methoden, die leicht zu verstehen, aber manchmal komplexe Muster in den Daten übersahen. Heute können leistungsfähigere Computermethoden, die oft als maschinelles Lernen bezeichnet werden, riesige Mengen an Informationen durchforsten und subtile Verbindungen finden, die einfachere Methoden vielleicht übersehen würden. Aber es gibt einen Haken: Diese leistungsstarken Werkzeuge können wie eine „Black Box“ sein, die eine Vorhersage trifft, ohne zu erklären, warum. Damit ein Arzt dem Rat eines Computers vertrauen kann, muss er die Logik dah heavy dahinter verstehen.

Eine aktuelle Studie der Forscher Sharare Taheri Moghadam und Md Shafiqur Jabin widmete sich dieser Herausforderung, indem sie zwei verschiedene Arten von Vorhersagemodellen entwickelte und testete, um zu sehen, welches besser funktionierte und welches seine Denkweise klarer erklären konnte. Sie konzentrierten sich auf das spezifische Problem, vorherzusagen, ob ein erwachsener Patient innerhalb von dreißig Tagen nach seiner Entlassung wieder im Krankenhaus aufgenommen wird. Zu diesem Zweck erstellten sie ein Demonstrations-Framework unter Verwendung eines synthetischen Datensatzes – einer computergenerierten Sammlung von Patientendaten, die darauf ausgelegt ist, reale Krankenhausdaten nachzuahmen, ohne echte private Informationen zu verwenden. Dies ermöglichte es ihnen, ihre Methoden sicher und reproduzierbar zu testen, bevor sie sie auf reale Datensätze anwenden.

Die Forscher führten einen direkten Vergleich zwischen zwei Ansätzen durch. Der erste war ein traditionelles statistisches Modell, das sie als zuverlässige Baseline verwendeten. Das zweite war ein fortgeschritteneres Machine-Learning-Modell namens Random Forest. Man kann sich einen Random Forest als ein Team aus vielen Entscheidungsträgern vorstellen, die zusammenarbeiten; anstatt sich auf eine einzige Regel zu verlassen, kombiniert er die Meinungen von Hunderten kleinerer Entscheidungsbäume, um zu einem endgültigen Schluss zu kommen. Dieser Ansatz ist dafür bekannt, sehr gut darin zu sein, komplexe, nicht-lineare Beziehungen in Daten zu erkennen, wie zum Beispiel die Art und Weise, wie das Alter eines Patienten mit der Anzahl seiner Medikamente interagiert, um das Risiko zu erhöhen. Das Team trainierte beide Modelle auf den synthetischen Daten und bat sie dann, die Ergebnisse für einen neuen Satz von Patienten vorherzusagen, die sie zuvor noch nicht gesehen hatten.

Die Ergebnisse zeigten, dass das komplexere Machine-Learning-Modell tatsächlich genauer war. Das Random-Forest-Modell identifizierte die Patienten, die zurückkehren würden, in 75,8 % der Fälle korrekt, verglichen mit 71,2 % beim traditionellen Modell. Es machte auch insgesamt weniger Fehler und klassifizierte 86,5 % aller Fälle korrekt, während das traditionelle Modell 83,5 % richtig stellte. Vielleicht am wichtigsten ist, dass das fortgeschrittene Modell in beide Richtungen weniger Fehler machte: Es übersah weniger Hochrisiko-Patienten, die tatsächlich zurückkehrten, und es markierte weniger Niedrigrisiko-Patienten, die sicher zu Hause geblieben wären. In der Sprache der Studie erreichte das Machine-Learning-Modell einen Wert von 0,84 auf einer Skala der Diskriminierung, was bedeutet, dass es besser darin war, zwischen denen, die zurückkehren würden, und denen, die nicht zurückkehren würden, zu unterscheiden, im Vergleich zu einem Wert von 0,72 für das traditionelle Modell.

Die Studie blieb jedoch nicht nur bei der Messung der Genauigkeit stehen. Die Forscher wussten, dass ein Modell in einem Krankenhaus nicht nützlich ist, wenn die Ärzte nicht verstehen können, warum es eine bestimmte Vorhersage getroffen hat. Um dies zu lösen, verwendeten sie eine Technik namens SHAP, die wie ein Scheinwerfer wirkt und genau zeigt, welche Faktoren die Vorhersage nach oben oder unten getrieben haben. Als sie die Ergebnisse betrachteten, zeichnete sich ein klares Bild ab. Der wichtigste Faktor bei der Vorhersage einer Rückkehr ins Krankenhaus war schlichtweg, ob der Patient zuvor bereits im Krankenhaus aufgenommen worden war. Dies war das stärkste Signal in beiden Modellen. Weitere signifikante Faktoren waren die Dauer des aktuellen Krankenhausaufenthalts, die Anzahl der verschiedenen Medikamente, die der Patient einnahm, die Anzahl der medizinischen Erkrankungen, das Alter und das Vorliegen von Nierenproblemen.

Die Studie fand auch heraus, dass bestimmte Faktoren das Risiko einer Rückkehr tatsächlich senkten. Patienten, die mit einem geplanten Folgetermin nach Hause geschickt wurden, deren Medikamente vor der Entlassung sorgfältig überprüft und abgeglichen wurden und die in ihr eigenes Zuhause statt in eine Pflegeeinrichtung entlassen wurden, kehrten seltener zurück. Das Machine-Learning-Modell war in der Lage, all diese Faktoren gemeinsam abzuwägen und zeigte, wie ein Patient mit einem langen Krankenhausaufenthalt und vielen Medikamenten selbst bei jungem Alter ein höheres Risiko haben könnte. Für ein spezifisches Beispiel eines Patienten in der Studie erklärte der Computer, dass sein hohes Risiko primär durch seine bisherigen Krankenhausaufenthalte, gefolgt von der Anzahl der Medikamente und seiner Nierenfunktion, getrieben wurde.

Es ist wichtig zu beachten, dass diese Studie eine Demonstration einer Methode war und kein fertiges medizinisches Werkzeug, das bereit für den Einsatz in jedem Krankenhaus ist. Die Forscher verwendeten synthetische Daten, um zu beweisen, dass ihr Arbeitsablauf funktioniert, betonten jedoch ausdrücklich, dass diese Ergebnisse an großen, realen Datensätzen aus tatsächlichen Krankenhäusern getestet werden müssen, bevor sie für klinische Entscheidungen vertrauenswürdig sind. Die Studie prüfte noch nicht, ob die Vorhersagen des Modells perfekt auf reale Wahrscheinlichkeiten kalibriert sind, noch testete sie, wie das Modell über verschiedene demografische Gruppen oder in verschiedenen Gesundheitssystemen hinweg abschneidet. Dies sind essenzielle nächste Schritte. Die Forscher betonten auch, dass die Fähigkeit des Modells, zu erklären, welche Faktoren zu einem Risiko-Score beigetragen haben, nicht bedeutet, dass diese Faktoren die direkte Ursache für die Wiederaufnahme sind. Beispielsweise könnte ein langer Krankenhausaufenthalt eher ein Zeichen für eine schwere Erkrankung sein als die eigentliche Ursache der Rückkehr selbst.

Trotz dieser Einschränkungen bietet die Arbeit einen wertvollen Entwurf für die Zukunft der Krankenhausversorgung. Sie zeigt, dass es möglich ist, leistungsstarke, komplexe Computermodelle zur Vorhersage von Patientenergebnissen einzusetzen und gleichzeitig die Logik dahinter transparent und für menschliche Ärzte verständlich zu halten. Durch die Kombination der hohen Genauigkeit von maschinellem Lernen mit klaren Erklärungen darüber, warum ein Patient gefährdet ist, könnten Gesundheitsdienstleister schließlich über ein Werkzeug verfügen, das ihnen hilft, ihre Ressourcen auf die Patienten zu konzentrieren, die sie am dringendsten benötigen. Die Studie kommt zu dem Schluss, dass das Machine-Learning-Modell in dieser Simulation zwar das traditionelle Modell übertraf, der wahre Wert jedoch in der Fähigkeit liegt, starke Vorhersagekraft mit klarer Erklärung zu verbinden, was den Weg für intelligentere, vertrauenswürdigere klinische Entscheidungsunterstützungssysteme ebnet.