研究表明，新的计算机分析可以解决医院入院难题

马里兰大学医学院的一项研究表明，马里兰大学医疗系统(UMMS)开发的一种新的机器学习模型，称为巴尔的摩评分(B评分)，可以帮助医院更好地预测哪些出院的病人可能会再入院。

该研究由Maryland大学医学院（UMMSOM）的流行病学和公共卫生副教授的Daniel Morgan，MD，MS副教授，MD。摩根博士分析了超过14,000人的数据病人使用这种特殊的预测评分来确定这些患者再次入院的可能性。

该研究发表在该杂志上《美国医学会杂志》网络开放，可以帮助为改善奠定基础病人护理避免返回医院。

摩根博士说：“更好的规划和随访，可以预防大大比例的入院，以便患者如何转变为社区，”摩根博士说。

在美国，近20%的住院患者会再次入院，这与患者的伤害和费用有关。此外，出院后30天内非计划再入院率被用来作为医院的绩效和病人护理质量的基准。然而，研究表明，临床医生在识别将再次入院的患者方面装备不足，而且许多再入院被认为是可以预防的。

“如果医院可以更好地规划出院的目标时间和金钱，那么患者可能不必回到医院，伤害有时与医院相关，包括感染，跌倒，谵妄和其他不良事件的风险，”摩根博士说。

使用健康数据和一种算法

基于一组计算机算法，通过分析大量数据的计算机算法广泛用于对未来进行预测的机器学习。该算法形成了所谓的神经网络，在人类大脑之后松散地建模，以识别和学习模式。在医院病人护理领域，采用电子健康记录的增加使得可以将机器学习技术应用于医疗保健数据。

现有的重新接纳风险评估工具,包括花边指数,医院得分和格言/ RightCare分数,看一组有限的变量为每个病人,如呆在医院的长度,类型和严重程度的承认,类型和数量的药物,其他慢性疾病患者,还有以前的住院记录

该研究的共同作者之一，UMMS的高级数据科学家威廉·伯爵威廉·伯爵设计了一个神经网络，实时地为数千个健康数据变量进行了。然后，系统计算得分以预测患者在医院放电后返回的机会。

在初步评估了2014年9月1日至2016年8月31日期间超过8000个可能的数据变量后，对马里兰大学医疗系统的三家医院的不同设置进行了个性化的实验B评分算法。最终的机器学习模型来自382个变量，包括人口统计数据;实验室测试结果;患者是否需要呼吸辅助;身体质量指数;与某一特定教会的联系;婚姻状况;就业;药物使用和药物滥用。

摩根和同事比较了B得分休息风险排名为三家医院的实际入伍，并以其他方案评分的预测。在这三家医院，尽管设置不同，但B分数更好地能够更好地识别比其他评分的入院风险。它在最高风险中最准确。患者在B次出院的B比得分风险中的前达10％的评分有37.5％的机会为期30天的无计划的入院。同样，在排出前五个B分数的患者的患者的再入院的43.1％。

UMSOM院长E. Albert Reece说:“电子健康记录的广泛使用增强了来自参与患者治疗的所有临床医生的信息流。”“这项研究强调了患者数据如何也可以帮助解决重新接纳并最终提高病人护理的质量。”

---

---