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

Elk jaar in de Verenigde Staten worden miljoenen mensen uit het ziekenhuis ontslagen, om binnen een maand weer terug te keren. Voor patiënten met diabetes is deze cyclus bijzonder gebruikelijk, waarbij bijna één op de vier terugkeert voor een ander ziekenhuisbezoek. Deze terugkeer is niet alleen een persoonlijke tegenslag; het vertegenwoordigt een enorme financiële last voor het zorgsysteem, die jaarlijks miljarden dollars kost. Om dit patroon te ontmoedigen, kunnen federale programma's de betalingen aan ziekenhuizen verminderen die er niet in slagen hun heropnamecijfers laag te houden. Toch missen ziekenhuizen, ondanks de hoge inzet, vaak een betrouwbare manier om te weten welke specifieke patiënten het meest waarschijnlijk zullen terugkeren voordat ze worden ontslagen. Artsen moeten deze oordelen vellen op basis van ervaring en intuïtie, waarbij ze tientallen factoren zoals de leeftijd van een patiënt, de medische voorgeschiedenis en de huidige medicatie tegelijkertijd moeten afwegen.

Dit is waar machine learning in beeld komt, niet als vervanging voor menselijk oordeel, maar als een hulpmiddel om door de ruis heen te filteren. Machine learning is een methode waarbij computers leren patronen te herkennen in grote hoeveelheden gegevens zonder dat ze expliciet geprogrammeerd zijn met een reeks regels. In deze context is het doel om een systeem te bouwen dat een patiëntendossier kan bekijken en de waarschijnlijkheid van een herhaalbezoek kan inschatten. De uitdaging ligt in de enorme hoeveelheid beschikbare informatie; een enkel patiëntendossier kan honderden verschillende datapunten bevatten, van laboratoriumtestresultaten tot het type verzekering dat zij hebben. Bovendien zijn de gegevens vaak rommelig, met ontbrekende waarden en complexe relaties tussen variabelen die moeilijk handmatig door mensen te volgen zijn. De vraag die onderzoekers stelden, was of een computer beter kon leren om de subtiele signalen van risico verborgen in deze complexiteit te herkennen dan een eenvoudige checklist.

Een onderzoeker aan de Universiteit van Pennsylvania, Zisheng Liang, pakte dit probleem aan door verschillende computermodellen te bouwen en te testen om 30-daagse heropnames bij diabetespatiënten te voorspellen. De studie steunde op een enorme collectie echte medische dossiers van meer dan 100.000 ziekenhuisbezoeken in 130 ziekenhuizen in de Verenigde Staten, verspreid over bijna een decennium. Na het zorgvuldig opschonen van de gegevens — het verwijderen van onvolledige of irrelevante dossiers en het organiseren van de informatie in een format dat de computers konden begrijpen — bleef de onderzoeker over met een dataset waarin slechts ongeveer 11 procent van de patiënten daadwerkelijk was heropgenomen. Deze onbalans betekende dat een computer simpelweg "geen terugkeer" kon voorspellen voor elke patiënt en daarmee meestal gelijk zou hebben, maar dat het volledig zou falen in zijn werkelijke taak om de mensen te vinden die hulp nodig hadden.

Om dit op te lossen, trainde de onderzoeker vier verschillende soorten algoritmen, elk met een eigen manier van denken over de gegevens. Eén type, genaamd logistische regressie, werkt als een gewogen schaal die factoren bij elkaar optelt om tot een beslissing te komen. Een andere, een beslisboom, stelt een reeks ja-of-nee-vragen om het antwoord te verfijnen. Een derde, een random forest, combineert de logica van vele beslisbomen om een robuustere voorspelling te creëren. De onderzoeker creëerde ook nieuwe kenmerken om de modellen te helpen, zoals het tellen van het totaal aantal medicijnen dat een patiënt gebruikt, of het groeperen van complexe medische codes in bredere categorieën zoals "circulatoire" of "respiratoire" problemen. Cruciaal was dat de data werd gesplitst op een manier die het echte leven nabootste: het model leerde van het verleden en werd getest op de toekomst, wat ervoor zorgde dat het kon voorspellen wat er vervolgens zou gebeuren in plaats van alleen te onthouden wat er al was gebeurd.

Toen de modellen aan de test werden onderworpen, waren de resultaten veelzeggend. Geen van de algoritmen bereikte een perfecte nauwkeurigheid, wat de onderzoeker als verwacht beschouwde gezien de moeilijkheid van het voorspellen van menselijk gedrag en gezondheidsuitkomsten. Het random forest-model kwam echter als het meest effectieve hulpmiddel uit de bus voor het specifieke doel van de studie. Het identificeerde succesvol ongeveer 71 procent van de patiënten die daadwerkelijk werden heropgenomen, een percentage dat aanzienlijk hoger lag dan bij de andere modellen. Hoewel de andere modellen iets beter waren in het vermijden van valse alarmen, maakte het vermogen van de random forest om de meerderheid van de risicopatiënten te vangen het meest waardevol voor een ziekenhuis dat heropnames wil voorkomen. De analyse toonde aan dat de belangrijkste factoren die deze voorspellingen dreven niet verrassend waren voor medische professionals: het aantal eerdere ziekenhuisopnames, het totaal aantal eerdere bezoeken en de plek waar de patiënt naartoe werd ontslagen, waren de sterkste indicatoren van risico.

De studie keek ook nauwgezet naar de vraag of deze modellen verschillende groepen mensen eerlijk behandelden, door te controleren of de voorspellingen varieerden op basis van ras, geslacht of leeftijd. De resultaten lieten zien dat geen enkel model perfect eerlijk was voor alle groepen. Het random forest-model, hoewel het het beste was in het vangen van risicopatiënten in algemene zin, vertoonde een grotere kloof in prestaties tussen verschillende raciale groepen vergeleken met de eenvoudigere modellen. De onderzoeker erkende deze afweging en merkte op dat hoewel het model niet even nauwkeurig was voor elke demografische groep, de superieure capaciteit om de patiënten te identificeren die echt interventie nodig hadden, het de beste keuze maakte voor implementatie, mits artsen zich bewust blijven van deze beperkingen.

Uiteindelijk concludeert de studie dat hoewel machine learning de toekomst niet perfect kan voorspellen, het een krachtige assistent kan zijn. Het voorgestelde systeem zou geen beslissingen nemen voor artsen, maar zou in plaats daarvan een gerangschikte lijst van patiënten verstrekken, waarbij de nadruk wordt gelegd op degenen die het meest waarschijnlijk zullen terugkeren, zodat zorgteams hen extra ondersteuning kunnen bieden, zoals nazorgafspraken of medicatiebeoordelingen. De onderzoeker benadrukte dat dit hulpmiddel nog een werk in uitvoering is; de gebruikte gegevens stamden uit de late jaren 1990 en de vroege jaren 2000, wat betekent dat ze de huidige medische praktijken of sociale omstandigheden zoals huisvestingsstabiliteit niet weerspiegelen. Voordat een dergelijk systeem in een echt ziekenhuis gebruikt kan worden, moet het worden getest op moderne gegevens en gevalideerd worden om te garanderen dat het werkt zoals bedoeld. Voor nu demonstreert het werk dat computers kunnen leren de complexe patronen van risico in diabeteszorg te herkennen, wat een potentiële weg biedt naar het verminderen van de cyclus van ziekenhuisheropnames, zelfs als het pad nog niet volledig geplaveid is.