Predicting Hospitalization Cost Overruns for Pulmonary Infections via Integrated Statistical Learning Methods

Sintesi Tecnica: Predizione dei Superamenti dei Costi di Ospedalizzazione per Infezioni Polmonari tramite Metodi Integrati di Apprendimento Statistico

Definizione del Problema
I superamenti dei costi medici tra i pazienti ricoveri con infezioni polmonari rappresentano una sfida significativa per l'efficienza della gestione ospedaliera, in particolare nel contesto delle riforme dei pagamenti basati sui Gruppi di Diagnosi Correlata (DRG). Mentre la letteratura esistente riconosce l'elevato onere economico delle malattie respiratorie, vi è una scarsità di analisi approfondite che combinino algoritmi avanzati di selezione delle variabili con l'apprendimento statistico per identificare specifici driver di costo. Gli approcci tradizionali spesso si affidano alla selezione soggettiva delle variabili tramite stepwise e ad assunzioni lineari, che possono non essere in grado di catturare le complesse strutture di covarianza o le relazioni non lineari inerenti ai dati medici. Al contrario, i modelli di machine learning "black-box", pur essendo accurati, mancano spesso dell'interpretabilità necessaria per la definizione di politiche e la gestione clinica azionabile. Questo studio mira a colmare tale divario costruendo un framework analitico robusto per identificare i fattori chiave che guidano i superamenti dei costi di ospedalizzazione per le infezioni polmonari.

Metodologia
Lo studio ha utilizzato un dataset completo di 1.826 record di pazienti ricoverati provenienti da un ospedale terziario di Grado A di grandi dimensioni nella provincia del Sichuan, coprendo il periodo da gennaio 2023 a dicembre 2024. I pazienti sono stati inclusi se presentavano una diagnosi primaria di infezione polmonare, erano classificati sotto codici CHS-DRG specifici (ES31, ES33, ES35, ES38) ed avevano un'età pari o superiore a 14 anni. I dati sono stati suddivisi in un rapporto 1:1 tra set di addestramento (training) e di test.

La ricerca ha impiegato un framework integrato di apprendimento statistico composto da quattro fasi chiave:

1. Pre-elaborazione dei Dati: Le variabili sono state sottoposte a screening di sparsità (rimozione della varianza quasi nulla) e analisi univariata (test di Wilcoxon rank-sum e Chi-quadro). Una matrice di correlazione di Spearman è stata utilizzata per eliminare le variabili altamente ridondanti ($|r| > 0,8$).
2. Selezione Globale delle Caratteristiche: Per superare i limiti della regressione stepwise tradizionale e di LASSO, è stato impiegato l'algoritmo Adaptive Best Subset Selection (ABESS). Questo metodo ottimizza il vincolo della norma $L_0$ per trovare una combinazione di caratteristiche sparse globalmente ottimale, garantendo oggettività e stabilità nella selezione delle variabili.
3. Modellazione di Base ed Esplorazione Non Lineare: Un modello di regressione logistica multivariata è stato costruito utilizzando le variabili selezionate tramite ABESS. Per affrontare potenziali non linearità, è stato introdotto un Modello Additivo Generalizzato (GAM), applicando specificamente una funzione di smoothing alla variabile "durata della degenza" (LOS).
4. Validazione tramite Machine Learning: Gli algoritmi Random Forest e XGBoost sono stati utilizzati come benchmark esterni per validare la robustezza discriminatoria e la capacità di generalizzazione del modello logistico. Questi modelli sono serviti a incrociare l'importanza delle variabili e a garantire la coerenza dei driver di costo identificati.

Risultati Chiave

• Selezione delle Variabili: L'algoritmo ABESS ha identificato nove indicatori predittivi centrali: codice DRG, genere, durata della degenza (LOS), numero di diagnosi, proteina C-reattiva (CRP), creatinina, ipoproteinemia, uso di antibiotici ad alto livello e uso di immunoglobuline.
• Performance della Regressione Logistica: Il modello logistico di base ha dimostrato un'elevata accuratezza predittiva, con valori di Area Sotto la Curva (AUC) di 0,915 (training) e 0,904 (validazione). I principali driver significativi includevano:
  • Durata della Degenza (LOS): Un aumento di un giorno della LOS è stato associato a un incremento del 59,7% nelle probabilità di superamento dei costi (OR = 1,597, $P < 0,001$).
  • Numero di Diagnosi: Ogni diagnosi aggiuntiva ha aumentato le probabilità di superamento del 13,6% (OR = 1,136, $P < 0,001$).
  • Genere: I pazienti di sesso maschile hanno mostrato un rischio maggiore di superamento (OR = 1,697, $P = 0,018$).
  • Codice DRG: Codici di maggiore complessità (es. ES31) erano inversamente correlati ai superamenti in questo specifico contesto (OR = 0,122), suggerendo differenze nell'allocazione delle risorse.
• Approfondimenti Non Lineari: L'analisi GAM ha confermato una relazione non lineare tra la LOS e i superamenti dei costi, in cui il tasso di crescita del rischio di superamento decelerava all'aumentare della LOS. Sebbene il GAM abbia mostrato un miglioramento marginale dell'AUC (0,939 training, 0,910 testing), il suo valore primario è stato quello di isolare l'interferenza non lineare delle variabili continue.
• Validazione tramite Machine Learning: I modelli Random Forest e XGBoost hanno raggiunto AUC di training più elevati (rispettivamente 0,969 e 0,974), ma hanno mostrato segni di overfitting sui set di test (0,873 e 0,913). Fondamentalmente, entrambi gli algoritmi hanno classificato costantemente la "Durata della Degenza" e il "Codice DRG" come i primi due parametri più importanti, corroborando i risultati del modello logistico interpretabile.
• Uso di Farmaci Specifici: L'uso di immunoglobuline è emerso come un driver di rischio significativo nel GAM (OR = 8,188, $P = 0,039$), sebbene fosse solo marginalmente significativo nel modello logistico. Gli autori attribuiscono ciò alla natura "di nicchia ma ad alto consumo" del farmaco, che porta a una scarsità di dati.

Significatività e Rivendicazioni
Il documento rivendica tre contributi primari:

1. Rappresentatività dei Dati: L'uso di un dataset ampio e completo proveniente da un ospedale di alto livello garantisce una forte rappresentatività regionale e un valore di riferimento clinico.
2. Innovazione Metodologica: Integrando l'algoritmo ABESS per la selezione globale ottimale delle caratteristiche e il GAM per catturare le traiettorie non lineari, lo studio mitiga il bias di specificazione del modello e migliora l'oggettività della selezione delle variabili rispetto ai metodi stepwise tradizionali.
3. Framework Ibrido Robusto: Lo studio stabilisce un framework di "spiegazione di base + esplorazione non lineare + validazione tramite machine learning". Questo approccio bilancia il rigore interpretativo della statistica tradizionale con il potere predittivo del machine learning.

Gli autori concludono che, sebbene i modelli di machine learning offrano confini di fitting superiori, il modello di regressione logistica — integrato dal GAM per i trend non lineari — fornisce uno strumento più trasparente e clinicamente azionabile per identificare i driver principali dei costi. Questo framework supporta una gestione raffinata sotto le politiche DRG, offrendo un supporto decisionale che è al contempo statisticamente robusto e interpretabile per gli amministratori ospedalieri e i decisori politici. Lo studio riconosce i limiti riguardanti la generalizzabilità dovuti al suo design monocentrico e suggerisce che il lavoro futuro dovrebbe incorporare fattori socioeconomici e validazioni multicentriche.