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

每年在美国，数以百万计的人在出院后仅一个月内便再次入院。对于糖尿病患者而言，这种循环尤为普遍，近四分之一的患者会再次入院。这些回归不仅是个人生活的困境，也给医疗系统带来了巨大的财务负担，每年造成数十亿美元的损失。为了遏制这种模式，联邦计划可以减少那些未能降低再入院率的医院的报销金额。然而，尽管面临如此高的风险，医院往往缺乏一种可靠的方法，能在患者出院前准确判断哪些特定患者最有可能再次入院。医生必须依靠经验和直觉做出判断，同时要同时权衡包括年龄、既往病史和当前用药在内的数十个因素。

这正是机器学习发挥作用的地方，它并非作为人类判断的替代品，而是作为一种帮助从杂乱信息中理出头绪的工具。机器学习是一种让计算机通过学习大量数据中的模式，而无需被明确编程设定一套规则的方法。在这种背景下，目标是建立一个能够查看患者病历并估算其再次入院可能性的系统。挑战在于可用信息的庞大数量；一份患者记录可能包含数百个不同的数据点，从实验室检测结果到所持有的保险类型不等。此外，数据通常是混乱的，存在缺失值以及人类难以手动追踪的变量间复杂关系。研究人员提出的问题是：计算机是否能比简单的清单更好地识别隐藏在这些复杂性中的微妙风险信号。

宾夕法尼亚大学的研究员齐生（Zisheng Liang）通过构建并测试几种不同的计算机模型，来预测糖尿病患者30天内的再入院情况，从而解决了这一问题。该研究依赖于来自全美130家医院、涵盖近十年时间里超过10万次住院记录的真实世界大规模医疗记录集合。在仔细清洗数据——剔除不完整或无关的记录，并将信息整理成计算机可理解的格式后——研究人员得到的数据库中，只有约11%的患者实际上发生了再入院。这种不平衡意味着，计算机可以简单地对每个患者都预测“不会返回”，并在此过程中保持极高的正确率，但它将完全无法完成寻找那些需要帮助的人群这一实际任务。

为了解决这个问题，研究人员训练了四种不同类型的算法，每种算法都有其处理数据的方式。一种被称为逻辑回归（logistic regression）的算法，其运作方式类似于一个加权秤，通过累加各项因素来做出决策。另一种是决策树（decision tree），它通过一系列“是或否”的问题来缩小答案范围。第三种是随机森林（random forest），它结合了许多决策树的逻辑，从而创造出更稳健的预测。研究人员还创建了新的特征来辅助模型，例如统计患者服用的药物总数，或将复杂的医学代码归类为更广泛的类别，如“循环系统”或“呼吸系统”问题。至关重要的是，数据的划分方式模拟了现实生活：模型从过去的就诊记录中学习，并在未来的就诊记录上进行测试，从而确保它是在预测未来会发生什么，而不仅仅是记住已经发生过的事情。

当这些模型接受测试时，结果非常具有启发性。没有任何一种算法实现了完美的准确度，研究人员指出，考虑到预测人类行为和健康结果的难度，这是预料之中的。然而，随机森林模型在针对本研究特定目标时表现出了最有效的工具属性。它成功识别了约71%的实际再入院患者，这一比例显著高于其他模型。虽然其他模型在避免误报方面表现稍好，但随机森林捕捉大多数高风险患者的能力使其成为试图预防再入院的医院中最具价值的选择。分析表明，驱动这些预测的最重要因素对于医疗专业人员来说并不令人意外：以往的住院次数、之前的就诊总数以及患者出院后的去向，是风险最强有力的指标。

研究还密切观察了这些模型在对待不同人群时是否公平，检查了预测结果是否会因种族、性别或年龄而异。结果显示，没有任何一种模型能在所有群体中实现完美的公平。随机森林模型虽然在整体识别高风险患者方面表现最佳，但与较简单的模型相比，它在不同种族群体之间的表现存在较大的差距。研究人员承认了这种权衡，指出虽然该模型在不同人口统计特征下的准确度并不完全一致，但由于它具备识别真正需要干预的患者的卓越能力，因此它是部署的最佳选择，前提是医生需意识到这些局限性。

最终，研究结论认为，虽然机器学习无法完美预测未来，但它可以作为一个强大的助手。拟议中的系统不会代替医生做决定，而是会提供一份排序后的患者名单，突出显示那些最有可能再次入院的人，以便护理团队可以优先为他们提供额外支持，例如随访预约或药物审查。研究人员强调，这项工作仍处于进行阶段；所使用的数据来自20世纪90年代末和21世纪初，这意味着它并不能反映当前的医疗实践或诸如住房稳定性等社会状况。在这样的系统投入实际医院使用之前，需要用现代数据对其进行测试，并验证其是否按预期运行。目前，这项工作证明了计算机可以学习识别糖尿病护理中复杂的风险模式，为减少医院重复入院的循环提供了一条潜在路径，即便这条路尚未完全铺就。