Prediction at Hospital Admission of In-Hospital Mortality and High-Cost Hospitalization Using Machine Learning in Patients With Severe Community-Acquired Pneumonia: An Exploratory Dual-Risk Stratification Study
本研究利用入院数据开发并时间验证了分别用于预测重症社区获得性肺炎患者住院死亡率及高成本住院情况的独立机器学习模型，证明了其性能优于传统评分系统，并揭示了不同风险分层中截然不同的临床表现与资源利用模式。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每年，都有数百万成年人因重症肺炎住院，这是一种袭击肺部的致命性感染。对于医生而言，眼前的挑战是双重的：他们必须决定哪些患者面临最高的死亡风险，以及哪些患者将需要最昂贵、最耗费资源的护理。传统上，医院依靠简单的清单来评估患者的病情严重程度。这些工具通过观察年龄、意识状态、呼吸频率和血压等基本体征来估算死亡风险。然而，这些清单本身并非为了预测经济成本而设计，且往往会忽略那些预示着患者将需要长期且高昂住院费用的复杂生物学信号。随着医疗系统面临日益增长的资源管理压力，迫切需要了解的不仅是谁可能死亡，还有谁会消耗最多的医疗物资和医护时间，而这一切都应基于患者入院那一刻所掌握的信息。
南京第一医院与中国药科大学的研究团队致力于解决这一问题，开发了一种新型预测系统。他们收集了2020年至2025年间收治的1,543名重症社区获得性肺炎成年人的数据。研究人员没有依赖单一的清单，而是利用机器学习（一种能从海量数据中学习模式的计算机程序）创建了两个独立的预测模型。第一个模型旨在预测患者在住院期间的死亡可能性；第二个模型则旨在预测患者的总住院费用是否会异常高昂（在本研究中定义为超过38,969元人民币）。至关重要的是，这两个模型构建时仅使用了医生在入院瞬间即可获取的信息，例如生命体征、血液检测结果和患者既往病史，排除了任何在治疗开始后才产生的数据。
研究人员发现，他们的机器学习模型在进行此类预测方面的表现显著优于目前使用的标准工具。在预测死亡方面，其表现最好的模型达到了0-AUC值0.73，相比之下，标准评分系统的准确率仅约为54%，这是一个显著的提升。在预测高额成本方面，该模型也优于仅考虑年龄和既往疾病数量的简单基准模型。研究表明，驱动高死亡风险的因素与驱动高成本的因素并不完全相同。虽然两个模型都观察了氧饱和度和心脏功能等相似的数据点，但计算机学习到，不同的指标组合指向了不同的结果。
为了理清这些发现，研究人员根据模型预测的风险组合将患者分为四类。他们发现了两个传统方法经常遗漏的截然不同的群体。一类患者被预测具有极高的死亡风险，但产生高额成本的风险较低。这些患者通常年龄较大，并表现出严重的生理窘迫症状，例如呼吸频率极高以及乳酸水平升高（这表明身体正处于缺氧状态）。由于病情极其危重，他们通常需要进入重症监护并使用机械通气，但由于死亡导致住院时间较短，因此总成本相对较低。
相比之下，第二类患者被预测死亡风险较低，但产生高额成本的风险极高。这些患者的生理状态通常较为稳定，但需要广泛使用昂贵的资源。其高昂成本源于在较长时间内对医疗用品、护理服务、实验室检查和药物的累积使用。研究显示，这两组患者具有完全不同的临床特征，这表明单一的风险评分不足以指导医院管理。通过同时观察这两种风险，医生可以潜在地识别出哪些患者需要即时的救命干预，哪些患者需要精细且资源密集型的管理，以防止并发症的发生。
研究人员强调，尽管他们的模型在测试中表现良好，但仍处于探索阶段。该研究是在单家医院开展的，预测的具体成本与当地的价格和医疗政策挂钩。团队指出，这项工作并未证明根据这些预测改变治疗方案就能改善预后，但它提供了一种可视化患者需求的新方式。他们建议，在未来，这种双重风险评估可以帮助医院更有效地分配有限的资源，确保最危重的患者获得紧急救治，同时让那些可能需要长期、复杂护理的患者在不使医疗系统过载的情况下获得所需的关注。研究结论认为，利用相同的入院数据来同时预测死亡和成本，比现有方法能为应对重症肺炎患者面临的挑战提供更全面的视角。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。