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

Technische Samenvatting: Het voorspellen van overschrijdingen in ziekenhuiskosten voor pulmonale infecties via geïntegreerde statistische leermethoden

Probleemstelling
Overschrijdingen van medische kosten bij patiënten met pulmonale infecties die zijn opgenomen in het ziekenhuis vormen een aanzienlijke uitdaging voor de efficiëntie van het ziekenhuisbeheer, met name binnen de context van hervormingen in de Diagnosis-Related Group (DRG)-betalingen. Hoewel de bestaande literatuur de hoge economische last van respiratoire ziekten erkent, is er een gebrek aan diepgaande analyses die geavanceerde variabeleselectie-algoritmen combineren met statistisch machine learning om specifieke kostenfactoren te identificeren. Traditionele benaderingen vertrouwen vaak op subjectieve, stepwise variabele selectie en lineaire aannames, wat kan falen in het vastleggen van complexe covariantiestructuren of niet-lineaire relaties die inherent zijn aan medische gegevens. Daartegenover staan "black-box" machine learning-modellen die weliswaar accuraat zijn, maar vaak een gebrek aan interpreteerbaarheid vertonen die vereist is voor actiegericht beleid en klinisch management. Deze studie beoogt dit gat te overbruggen door een robuust analytisch kader te construeren om de kernfactoren te identificeren die drijven op de overschrijding van ziekenhuiskosten voor pulmonale infecties.

Methodologie
De studie maakte gebruik van een uitgebreide dataset van 1.826 patiëntendossiers uit een grootschalig, type A tertiair ziekenhuis in de provincie Sichuan, over de periode van januari 2023 tot december 2024. Patiënten werden geïncludeerd als zij een primaire diagnose hadden van een pulmonale infectie, werden geclassificeerd onder specifieke CHS-DRG-codes (ES31, ES33, ES35, ES38), en een leeftijd hadden van 14 jaar of ouder. De data werd 1:1 gesplitst in trainings- en testsets.

Het onderzoek maakte gebruik van een geïntegreerd statistisch leerkader bestaande uit vier sleutelfasen:

1. Data Preprocessing: Variabelen ondergingen sparsity-screening (verwijdering van variabelen met een bijna nul-variantie) en univariate analyse (Wilcoxon rank-sum en Chi-kwadraat testen). Een Spearman correlatiematrix werd gebruikt om sterk redundante variabelen te elimineren ($|r| > 0,8$).
2. Global Feature Selection: Om de beperkingen van traditionele stepwise regressie en LASSO te overwinnen, werd het Adaptive Best Subset Selection (ABESS) algorit toegepast. Deze methode optimaliseert de $L_0$-norm beperking om een globaal optimaal spaarzaam feature-combinatie te vinden, wat zorgt voor objectiviteit en stabiliteit in variabele selectie.
3. Baseline Modeling en Nonlinear Exploration: Een multivariabele logistische regressie werd geconstrueerd met behulp van de door ABESS geselecteerde variabelen. Om potentiële niet-lineariteiten aan te pakken, werd een Generalized Additive Model (GAM) geïntroduceerd, waarbij specifiek een smoothing functie werd toegepast op de variabele "verblijfsduur" (length of stay, LOS).
4. Machine Learning Validatie: Random Forest en XGBoost algoritmen werden gebruikt als externe benchmarks om de onderscheidende robuustheid en generalisatiecapaciteit van het logistische model te valideren. Deze modellen dienden om de variabele belangrijkheid te kruisverwijzen en de consistentie van de geïdentificeerde kostenfactoren te waarborgen.

Belangrijkste Resultaten

• Variabele Selectie: Het ABESS-algoritme identificeerde negen kernindicatoren voor voorspelling: DRG-code, geslacht, verblijfsduur (LOS), aantal diagnoses, C-reactief proteïne (CRP), creatinine, hypoproteïnemie, gebruik van hoogwaardige antibiotica en het gebruik van immunoglobulinen.
• Prestaties van Logistische Regressie: Het baseline logistische model vertoonde een hoge voorspellende nauwkeurigheid, met Area Under the Curve (AUC) waarden van 0,915 (training) en 0,904 (validatie). Belangrijke significante drijvers waren:
  • Verblijfsduur (LOS): Een toename van één dag in LOS was geassocieerd met een toename van 59,7% in de kans op kostenoverschrijding (OR = 1,597, $P < 0,001$).
  • Aantal Diagnoses: Elke extra diagnose verhoogde de kans op overschrijding met 13,6% (OR = 1,136, $P < 0,001$).
  • Geslacht: Mannelijke patiënten vertoonden een hoger risico op overschrijding (OR = 1,697, $P = 0,018$).
  • DRG Code: Complexere codes (bijv. ES31) waren in deze specifieke context omgekeerd gerelateerd aan overschrijdingen (OR = 0,122), wat wijst op verschillen in de toewijzing van middelen.
• Niet-lineaire Inzichten: De GAM-analyse bevestigde een niet-lineaire relatie tussen de verblijfsduur (LOS) en kostenoverschrijdingen, waarbij de groeisnelheid van het overschrijdingsrisico afnam naarmate de LOS toenam. Hoewel de GAM een marginale verbetering in AUC liet zien (0,939 training, 0,910 testen), lag de primaire waarde in het isoleren van de niet-lineaire interferentie van continue variabelen.
• Machine Learning Validatie: Random Forest en XGBoost modellen bereikten hogere training AUC's (0,969 en 0,974 respectievelijk) maar vertoonden tekenen van overfitting op de testsets (0,873 en 0,913). Cruciaal was dat beide algoritmen consequent "Verblijfsduur" en "DRG Code" rangschikten als de belangrijkste twee features, wat de bevindingen van het interpreteerbare logistische model bevestigde.
• Specifiek Medicijngebruik: Het gebruik van immunoglobulinen kwam naar voren als een significante risicofactor in de GAM (OR = 8,188, $P = 0,039$), hoewel het slechts marginaal significant was in het logistische model. De auteurs schrijven dit toe aan het "niche maar hoog-consumptieve" karakter van het medicijn, wat leidt tot data-schaarsheid.

Betekenis en Claims
Het artikel claimt drie primaire bijdragen:

1. Representativiteit van de Data: Het gebruik van een grote, uitgebreide dataset uit een top-niveau ziekenhuis zorgt voor een sterke regionale representativiteit en klinische referentiewaarde.
2. Methodologische Innovatie: Door de integratie van het ABESS-algoritme voor globale optimale feature selectie en de GAM voor het vastleggen van niet-lineaire trajecten, mitigeert de studie de bias in modelspecificatie en verbetert het de objectiviteit van variabele selectie vergeleken met traditionele stepwise methoden.
3. Robuust Hybride Kader: De studie vestigt een "baseline verklaring + niet-lineaire exploratie + machine learning validatie" kader. Deze benadering balanceert de strikte interpreteerbaarheid van traditionele statistiek met de voorspellende kracht van machine learning.

De auteurs concluderen dat hoewel machine learning-modellen superieure fitting-grenzen bieden, het logistische regressiemodel — aangevuld met GAM voor niet-lineaire trends — een transparanter en klinisch inzetbaar instrument biedt voor het identificeren van kernfactoren voor kostenoverschrijdingen. Dit kader ondersteunt verfijnd beheer onder DRG-beleid door besluitvormingsondersteuning te bieden die zowel statistisch robuust als interpreteerbaar is voor ziekenhuisbeheerders en beleidsmakers. De studie erkent beperkingen met betrekking tot de generaliseerbaarheid vanwege het single-center ontwerp en suggereert dat toekomstig werk sociaal-economische factoren en multicenter validatie moet opnemen.