Explainable Machine Learning for 30-Day Hospital Readmission Risk Prediction in Patients with Diabetes: A Comparative Analysis of Model Performance and Algorithmic Fairness

Jedes Jahr verlassen in den Vereinigten Staaten Millionen von Menschen das Krankenhaus, nur um innerhalb eines Monats wieder zurückzukehren. Für Patienten mit Diabetes ist dieser Kreislauf besonders häufig, wobei fast jeder vierte für einen weiteren Krankenhausaufenthalt zurückkehrt. Diese Rückfälle sind nicht nur eine persönliche Härte; sie stellen eine massive finanzielle Belastung für das Gesundheitssystem dar, die jährlich Milliarden von Dollar kostet. Um dieses Muster zu unterbinden, können Bundesprogramme die Zahlungen an Krankenhäuser reduzieren, die es nicht schaffen, ihre Wiederaufnahmequoten niedrig zu halten. Doch trotz der hohen Einsätze fehlt es Krankenhäusern oft an einer zuverlässigen Möglichkeit zu wissen, welche spezifischen Patienten am wahrscheinlichsten zurückkehren werden, bevor sie entlassen werden. Ärzte müssen diese Urteile basierend auf Erfahrung und Intuition fällen und dabei Dutzende von Faktoren wie das Alter des Patienten, die medizinische Vorgeschichte und die aktuelle Medikation gleichzeitig abwägen.

Hier setzt maschinelles Lernen an, nicht als Ersatz für das menschliche Urteilsvermögen, sondern als ein Werkzeug, um das Rauschen zu sortieren. Maschinelles Lernen ist eine Methode, bei der Computer lernen, Muster in großen Mengen von Daten zu erkennen, ohne explizit mit einem Satz von Regeln programmiert worden zu zu sein. In diesem Kontext besteht das Ziel darin, ein System zu bauen, das die Krankenakte eines Patienten analysieren und die Wahrscheinlichkeit eines erneuten Besuchs abschätzen kann. Die Herausforderung liegt im schieren Volumen der verfügbaren Informationen; eine einzige Patientenakte kann hunderte verschiedene Datenpunkte enthalten, von Laborergebnissen bis hin zur Art der Versicherung, die sie halten. Darüber hinaus sind die Daten oft unordentlich, mit fehlenden Werten und komplexen Beziehungen zwischen Variablen, die für Menschen manuell schwer nachvollziehbar sind. Die Frage, die die Forscher aufwarfen, war, ob ein Computer in der Lage sei, die subtilen Signale des Risikos innerhalb dieser Komplexität besser zu erkennen als eine einfache Checkliste.

Ein Forscher an der University of Pennsylvania, Zisheng Liang, ging dieses Problem an, indem er mehrere verschiedene Computermodelle baute und testete, um die 30-Tage-Wiederaufnahmen bei diabetischen Patienten vorherzusagen. Die Studie stützte sich auf eine massive Sammlung realer medizinischer Aufzeichnungen aus über 100.000 Krankenhausbesuchen in 130 Krankenhäusern in den Vereinigten Staaten, die einen Zeitraum von fast einem Jahrzehnt abdeckten. Nachdem er die Daten sorgfältig bereinigt hatte – indem er unvollständige oder irrelevante Datensätze entfernte und die Informationen in ein Format brachte, das die Computer verstehen konnten – blieb dem Forscher ein Datensatz, bei dem nur etwa 11 Prozent der Patienten tatsächlich wieder aufgenommen worden waren. Dieses Ungleichgewicht bedeutete, dass ein Computer einfach für jeden Patienten „keine Rückkehr“ raten könnte und damit die meiste Zeit richtig läge, aber bei seiner eigentlichen Aufgabe, die Menschen zu finden, die Hilfe benötigen, völlig versagen würde.

Um dies zu lösen, trainierte der Forscher vier verschiedene Arten von Algorithmen, die jeweils auf ihre eigene Weise über die Daten nachdenken. Ein Typ, die sogenannte logistische Regression, arbeitet wie eine gewichtete Waage, die Faktoren zusammenzählt, um zu einer Entscheidung zu gelangen. Ein anderer, ein Entscheidungsbaum, stellt eine Serie von Ja-Nein-Fragen, um die Antwort einzugrenzen. Ein dritter, ein Random Forest (Zufallswald), kombiniert die Logik vieler Entscheidungsbäume, um eine robustere Vorhersage zu erstellen. Der Forscher erstellte auch neue Merkmale, um den Modellen zu helfen, wie etwa das Zählen der Gesamtzahl der Medikamente, die ein Patient einnimmt, oder das Gruppieren komplexer medizinischer Codes in breitere Kategorien wie „kreislaufbedingt“ oder „respiratorisch“. Entscheidend war, dass die Daten so aufgeteilt wurden, dass sie das echte Leben nachahmten: Das Modell lernte aus vergangenen Besuchen und wurde an zukünftigen getestet, um sicherzustellen, dass es vorhersagen konnte, was als Nächstes passieren würde, anstatt nur das bereits Geschehene auswendig zu lernen.

Als die Modelle auf die Probe gestellt wurden, waren die Ergebnisse aufschlussreich. Keiner der Algorithmen erreichte eine perfekte Genauigkeit, was der Forscher angesichts der Schwierigkeit der Vorhersage menschlichen Verhaltens und gesundheitlicher Ergebnisse als erwartbar bezeichnete. Der Random-Forest-Modell erwies sich jedoch als das effektivste Werkzeug für das spezifische Ziel der Studie. Es identifizierte erfolgreich etwa 71 Prozent der Patienten, die tatsächlich wieder aufgenommen wurden, eine Rate, die signifikant höher war als bei den anderen Modellen. Während die anderen Modelle etwas besser darin waren, Fehlalarme zu vermeiden, war die Fähigkeit des Random Forest, die Mehrheit der Hochrisikopatienten zu erfassen, wertvoller für ein Krankenhaus, das Rückkehrer verhindern möchte. Die Analyse zeigte, dass die wichtigsten Faktoren, die diese Vorhersagen antrieben, für Mediziner nicht überraschend waren: Die Anzahl der vorangegangenen Krankenhausaufenthalte, die Gesamtzahl der früheren Besuche und der Ort, an den der Patient entlassen wurde, waren die stärksten Indikatoren für das Risiko.

Die Studie untersuchte auch genau, ob diese Modelle verschiedene Personengruppen fair behandelten, indem sie prüfte, ob die Vorhersagen je nach Hautfarbe, Geschlecht oder Alter variierten. Die Ergebnisse zeigten, dass kein einzelnes Modell über alle Gruppen hinweg perfekt fair war. Das Random-Forest-Modell, obwohl es am besten darin war, Hochrisikopatienten zu erfassen, wies im Vergleich zu den einfacheren Modellen eine größere Lücke in der Leistung zwischen verschiedenen ethnischen Gruppen auf. Der Forscher räumte diesen Kompromiss ein und merkte an, dass das Modell, obwohl es nicht für jede Demografie gleichermaßen genau war, seine überlegene Fähigkeit, die Patienten zu identifizieren, die wirklich eine Intervention benötigten, es zur besten Wahl für den Einsatz machte – vorausgesetzt, die Ärzte bleiben sich dieser Einschränkungen bewusst.

Letztlich kommt die Studie zu dem Schluss, dass maschinelles Lernen zwar nicht perfekt die Zukunft vorhersagen kann, aber als leistungsstarker Assistent dienen kann. Das vorgeschlagene System würde keine Entscheidungen für Ärzte treffen, sondern stattdessen eine rangierte Liste von Patienten bereitstellen, die diejenigen hervorhebt, die am wahrscheinlichsten zurückkehren, damit die Pflegeteams sie für zusätzliche Unterstützung, wie etwa Folgetermine oder Medikamentenüberprüfungen, priorisieren können. Der Forscher betonte, dass dieses Werkzeug noch ein Arbeitsprozess ist; die verwendeten Daten stammten aus den späten 1990er und frühen 2000er Jahren, was bedeutet, dass sie nicht die aktuelle medizinische Praxis oder soziale Bedingungen wie Wohnsituation widerspiegeln. Bevor ein solches System in einem echten Krankenhaus eingesetzt werden könnte, müsste es an modernen Daten getestet und validiert werden, um sicherzustellen, dass es wie beabsichtigt funktioniert. Für den Moment zeigt die Arbeit, dass Computer lernen können, die komplexen Risikomuster in der Diabetesversorgung zu erkennen, und bietet einen potenziellen Weg zur Reduzierung des Kreislaufs von Krankenhausrückkehrern, auch wenn der Weg noch nicht vollständig gepflastert ist.