技术领域
[0001] 下文总体上涉及医学系统。其尤其应用于与进行患者出院决定，制定出院策略结合，并且将尤其参考其进行描述。然而将理解，其也应用在其他使用情形中，而不必限于前述应用。
背景技术
[0002] 住院患者服务是能够包括显著
费用的消费的医疗保健服务的主要部分。避免在患者出院之后的再入院能够显著节约成本。当前，17.6％的急性护理入院导致在出院之后的再入院并且支出$15B。医学服务提供商接收来自报销提供商的财务激励，诸如医疗保险和医疗补助，其包括超过特定
阈值的对再入院的惩罚。例如，在2012年九月，医疗保险和医疗补助服务中心开始报告针对急性心肌梗塞(AMI)、慢性心
力衰竭(CHF)以及
肺炎(PN)的再入院测量，并且对于差的再住院率以针对一年中所有入院的补偿的1％减少对医院进行惩罚。
[0003] 医院缺少允许医疗保健从业人员确定在出院处的患者的再入院的可能性的模型。响应不被识别或不是可行的。例如，在出院处的任何患者可能被再入院的知识不提供任何基准来指示患者是否应当出院或如果不出院，那么何者替代使患者出院。例如，具有针对肺炎的高再入院率并且引起针对再入院的惩罚的医院，和具有肺炎的诊断的要出院的患者，不告知医院不同地做什么。
[0004] 经济惩罚应用到年度阈值和整个患者群体，并且不使医院有能力确定针对要出院的患者、会避免针对患者的再入院的一系列动作。此外，当前模型不考虑每个医院的当前实践，所述当前实践在一些方面中可以包括比整个患者群体更好的比率。对具体医院的适用性仍然不清晰。例如，引起整体高再入院率，但对被诊断有肺炎的出院的患者的低入院率的医院不告知医院不同地做什么。
[0005] 一种途径是创建静态模型，诸如线性回归模型和/或基于大群体的分析来选择一组强预测因子的方差分析模型。在文献中固定并且报告所述模型，并且由医院来调和模型与实际实践。静态模型不考虑弱预测因子、个体医院实践的变化性或针对改进的推荐。所述模型是静态和固定的。此外，模型通常聚焦于在一般患者群体中在时间点处的一种状况和固定的准则集合。再入院的根本原因未清楚地被理解。当前没有可用于医院来识别处于针对再入院的高风险中的患者的标准或基准。存在许多能够加剧再入院的风险的可能变量。
[0006] 文献争论地建议许多可能性，其可以包括人口统计、社会-计量经济、诊断、流程、医院以及后勤因子。因子可以包括数百个变量。当前模型不考虑在由每个医院遭遇的人口统计、社会-计量经济、诊断、流程、医院以及后勤因子之间的交互。当新信息变得可用时，当前途径不适应。当前途径不适于可以改变的涉及的财政激励。当前途径不便于解决再入院率的医院策略的开发。财政激励包括惩罚，但不包括用于识别影响患者护理的
质量的因子或开发可行的建议的任何机制，并且不包括用于改进护理的质量或如何适当地分配资源的针对医院的设计策略。
发明内容
[0007] 下文公开了在出院处的患者风险因子的新的并且改进的建模，其解决了上述问题和其他问题。
[0008] 根据一个方面，一种医学系统，包括建模单元，所述建模单元：基于人口统计、社会-计量经济、诊断、流程、医院以及后勤数据元素的集合生成多个树结构分类器；基于所述多个树结构分类器和对应于先前患者出院的数据来学习患者出院风险因子；并且基于所学习的患者出院风险因子创建再入院
预测模型，所述再入院预测模型对针对一个或多个患者出院的所识别的患者出院风险因子进行评分。
[0009] 根据另一方面，一种处理医学患者信息的方法，包括：基于人口统计、社会-计量经济、诊断、流程、医院以及后勤数据元素的集合生成多个树结构分类器。基于所述多个树结构分类器和对应于先前患者出院的数据来学习患者出院风险因子。基于所学习的患者出院风险因子创建再入院预测模型，所述再入院预测模型对针对一个或多个患者出院的所识别的患者出院风险因子进行评分。
[0010] 根据另一方面，一种医学系统，包括：患者风险评分单元，其基于再入院预测模型，对患者针对再入院的风险进行评分，所述再入院预测模型在人口统计、社会-计量经济、诊断、流程、医院以及后勤数据元素和先前患者出院的数据上训练
随机森林模型，并且所述预测模型从预测患者再入院可能性的集合识别至少一组风险因子。所述医学系统还包括显示设备，所述显示设备显示来自针对患者再入院风险而评分的所述集合的所识别的至少一组风险因子。
[0011] 一个优点在于预测针对患者的再入院的风险的模型。
[0012] 另一优点在于考虑数百个可能预测因子的模型。
[0013] 另一优点在于适于不同患者群体的模型。
[0014] 另一优点在于识别影响针对医院的再入院的因子的机制。
[0015] 另一优点在于包括对患者出院的备选并且基于医院绩效的可行建议。
[0016] 本领域的普通技术人员在阅读和理解以下详细描述之后，将认识到另外的优点。
附图说明
[0017] 本发明可以采取各种部件和各部件的布置的形式，并且可以采取各种步骤和各步骤安排形式。附图仅是为了图示优选
实施例，而不应被解释为对本发明的限制。
[0018] 图1示意性图示了对在出院处的患者风险因子建模的系统的实施例。
[0019] 图2以
流程图示出了对在出院处的患者风险因子进行建模的一个实施例。
[0020] 图3以流程图示出了收集患者出院群体数据的对在出院处的患者风险因子进行建模的一个实施例。
[0021] 图4图解地图示了示范性预测因子分类
决策树。
[0022] 图5图解地图示了示范性医院风险层化。
[0023] 图6图解地图示了示范性医院风险策略决策支持工具显示。
[0024] 图7图解地图示了示范性患者风险出院报告。
具体实施方式
[0025] 参考图1，示意性图示了对在出院处的患者风险因子建模的系统的实施例。所述系统包括建模单元10，所述建模单元基于人口统计、社会-计量经济、诊断、流程、医院以及后勤数据元素的集合，生成多个树结构分类器。由数据收集单元12收集数据元素的集合，所述数据收集单元能够从任何数量的源进行收集，所述任何数量的源包括：
电子健康记录14，诸如电子医院记录(EHR)、电子医学记录(EMR)等；政府或工业数据源，包括住院患者出院
摘要16，诸如医疗保健成本利用项目(HCUP)
数据库；或者本地数据18，诸如多个医院的数据库。
所述集合表示患者再入院的可能预测因子，并且指示再入院的定义的群体。然而，例如，所述集合包括指示针对患者的再入院是否然而被定义的变量。
[0026] 建模单元10基于所述树结构分类器和对应于先前患者出院的数据来学习患者出院风险因子。所述学习包括根据人口统计、社会-计量经济、诊断、流程、医院以及后勤数据元素的集合对对应于先前患者出院的数据进行分割。所述学习能够基于随机森林
算法。建模单元基于所学习的患者出院风险因子创建再入院预测模型20，所述再入院预测模型对针对一个或多个患者出院的所识别的患者出院风险因子进行评分。再入院预测模型能够被存储在数据存储中。
[0027] 医院风险管理单元22基于再入院预测模型对针对再进入医院的风险因子进行评分，所述再入院预测模型对对应于医院的先前患者出院的数据进行评分。所述评分能够包括计算在出院处的患者风险因子的统计，例如中值、平均值、最小值、最大值等。医院风险管理单元能够操作于所选择的患者群体，例如医院和/或患者出院群体中的一个或多个选择的组。医院风险管理能够关于所选择的一组出院患者对识别的风险因子进行评分。出院患者的经评分的选择的组能够包括计算的统计。出院患者的经评分的选择的组能够包括在出院患者的所选择的组之间，例如，在医院之间，在医院和地理政治实体(诸如州)的医院等之间的比较。医院风险管理单元20识别医院的策略的机会。
[0028] 患者风险评分单元24基于再入院预测模型和所述患者的风险因子对患者针对再入院的风险进行评分。显示设备26显示所述患者风险因子和评分。显示能够包括关于出院患者的所选择的组(例如相同医院和/或地理区域)的针对所识别的风险因子的评分。显示设备26能够是工作站28、
笔记本电脑、智能手机或其他计算设备的部分。显示设备涵盖适于显示图像或数据的输出设备或
用户界面。显示器可以输出视觉、听觉和/或触觉数据。显示器的范例包括计算机显示器、电视屏幕、
触摸屏、触觉电子显示器、
电子纸、矢量显示器、平板显示器、
真空荧光显示器(VF)、发光
二极管(LED)显示器、电致发光显示器(ELD)、
等离子体显示板(PDP)、
液晶显示器(LCD)、
有机发光二极管显示器(OLED)、投影仪、
头戴式显示器等。工作站包括处理器30和一个或多个输入设备32。输入设备32能够是
键盘、
鼠标、麦克风等。
[0029] 患者出院管理单元34基于经评分的患者再入院风险来生成推荐的出院过程。推荐的出院过程能够包括在监督下将患者送回家，在无监督的情况下将患者送回家，让患者在医院待更长时间，将患者送到短期护理设施，在出院之前确保初级护理医师随访和预约，在医学规划上将护理与药剂师协调，并且关于出院规划教导患者等。
[0030] 各个单元10、12、22、24、34适当地由以下来实现：电子
数据处理设备，诸如工作站28的电子处理器或电子处理设备30；或者基于网络的
服务器36计算机，其通过网络38与工作站28操作性地连接；等。此外，所公开的建模、数据收集、评分和管理技术使用非暂态存储介质来适当地实施，所述非暂态存储介质存储指令(例如，
软件)，所述指令可由电子数据处理设备读取并且可由电子数据处理设备执行，以执行所述技术。
[0031] 参考图2，以流程图示出了对在出院处的患者风险因子进行建模的一个实施例。建模出院处的患者风险因子能够被划分为模型创建40和医院实施42的方法。能够离线或在医院处的实施之前创建模型创建40。医院实施能够在潜在出院的时间处调用创建的模型的运行。在步骤50中，由数据收集单元12收集患者出院群体数据。患者出院群体数据能够包括住院患者出院摘要和/或先前患者出院的本地数据。所述数据从电子源被收集和/或被输入到本地数据存储45中。所述数据能够包括数百个可能预测因子，所述可能预测因子包括弱和强预测因子。所述数据能够包括元数据，所述元数据提供自动变量识别，诸如数据辞典信息、XML描述符等。
[0032] 在步骤52中，在收集的群体数据上训练模型。训练能够包括随机森林算法。模型训练能够包括来自医院管理的交互式输入，诸如特定病灶状况(focus condition)或
疾病和/或医院的集合等。在步骤54中识别医院风险因子，这能够包括报告或交互式过程，以定义解决风险因子的策略。创建的模型能够被存储在风险预测模型数据存储20中。
[0033] 在步骤60中，在潜在患者出院的时间处，能够收集患者出院摘要。能够从电子健康记录14提取数据。所提取的数据包括表示识别的医院风险因子的数据。在步骤62中，所提取的数据被应用到所创建的风险预测模型以计算针对患者的再入院风险评分。在步骤64中，在显示设备或其他输出设备上报告或显示计算的风险评分。所述步骤能够包括针对出院的推荐的备选。
[0034] 在决策步骤66中，医疗保健从业人员评估风险评分和针对出院的患者。所述过程能够将患者保持在医院中，并且能够包括随后重新评估，或使患者出院。在步骤68中，患者出院能够包括针对出院的推荐的备选中的任一个。所选择的患者出院能够包括在医疗保健从业人员和出院的患者之间的咨询。
[0035] 参考图3，以流程图示出了收集患者出院群体数据的对在出院处的患者风险因子进行建模的一个实施例。在步骤70中，识别一个或多个状况，其包括针对再入院的对应的惩罚。例如，如果再入院惩罚由状况独立地应用，那么针对每个独立的状况对状况进行建模。
[0036] 在步骤72中，选择一个或多个医院。能够在特定医院和/或医院的集合上对模型进行建模。例如，医院的集合能够包括参考区域，或具有类似特性(诸如床的数量和/或患者混合)的医院。包括更大的患者群体增加模型的鲁棒性。包括其他医院提供比较在医院和所选择的患者群体之间的患者再入院风险的能力。
[0037] 在步骤74中，提取指标入院，其包括满足针对建模过程的输入的符合准则的入院。例如，准则能够包括与所识别的状况相同的原理出院诊断。准则能够包括在所选择的医院内发生的入院。准则能够排除导致死亡、转移、同一天出院或违反医嘱出院的入院。能够基于不符合惩罚的情形，来识别准则。
[0038] 在步骤76中，从指标入院识别所有目标再入院。能够基于惩罚的应用识别再入院。例如，如果再入院惩罚应用于在30天时段内的那些再入院，那么所有目标再入院被识别为包括在30天时段内的再入院的那些。在步骤78中，从所有目标再入院排除所规划的再入院。
在步骤80中排除也是再入院的指标入院。入院不能够是指标入院和是结果的再入院两者。
在步骤82中，在排除之后，生成针对指标入院的再入院结果，以创建建模的群体。
[0039] 参考图4，图解地图示了示范性预测因子分类决策树90。集合训练(Ensemble training)能够包括生成从建模的群体学习的多个唯一决策树，诸如随机森林模型。随机森林包括许多决策树，所述许多决策树基于在所有决策树上的多数票决将每个患者分类为风险或无风险类别。在每个决策树92中风险被表示为方框再入院，并且无风险被表示为方框非再入院。决策树构建有时将建模的群体或输入空间X分割一个因子，直到分区表示跨X的小同质组。同质子集包括属于风险或无风险的所有元素。
[0040] 在每个
节点处，因子的随机子集被选择用于分割X，诸如年龄、保险、性别、在出院处的安排、合并症、流程等。因子是来自集合的数据元素。每个分区由具有对应数据元素或分类器的节点表示。没有两个决策树是相同的。如果T1、T2、…、Tm是森林的不同的树，以及Tk(x)是在针对一个的树k处的预测的结果，那么x的分类，对于任何患者x∈X，令T01、T02、…、T0i是预测患者为处于针对再入院的风险中的树，并且T11、T12、…、T1j是预测患者为不处于针对再入院风险中的树，其中i+j＝mTree。患者风险评分＝i/mTree。不是所在集合中的有数据元素是相关的，并且不是每一个因子具有对患者风险的影响的相同
水平。假定，假设是患者结果y独立于因子xi，即，零假设Ho：y┴xi。建立实验，其中，变量xi的值被随机地交换，并且评估由于该交换的准确性的下降。通过随机地交换xi的值，并且保持其他每个事物恒定，可以去除结果对xi的任何依赖。如果Acc是原始模型的准确性，并且Acci是交换变量xi的值之后的准确性，那么准确性的下降为Acc-Acci。如果下降为高，则不接受零假设Ho，并且推断xi影响患者风险。准确性下降的幅度确定，xi具有的对患者风险预测的重要性的水平。
[0041] 能够使用加权的准确性测量来评估模型。加权的准确性＝βAcc++(1-β)Acc-，其中，β在0和1之间。 是在风险入院中间的预测准确性。真阳性(假阴性)是由模型正确(不正确)预测的入院风险的数量。类似地， 是在
无风险入院中间的预测精确度，并且真阴性(假阴性)是由模型正确(不正确)预测的无风险入院的数量。
[0042] 图5图解地图示了示范性医院风险层化。对于每个医院，由医院风险管理单元22识别影响风险的因子的集合。医院风险管理单元22能够交互地识别针对策略的机会。优先患者组被识别，诸如年龄、性别以及合并症，如由在分层树结构中的椭圆节点图示。来自模型的风险因子能够被用于进一步基于风险分割或分层每个优先组，如由矩形方框指示的。在每个节点和每个叶处，识别针对策略的机会。策略能够包括针对每个患者组的出院指令。出院指令能够向前被承载到患者出院报告中。针对医院策略的识别的机会能够根据再入院预测模型的树结构分类器被组织，并且在显示设备上显示针对医院策略的所识别的机会。识别的机会能够由输入的策略替换，所述输入的策略能够被包括在显示或报告中。
[0043] 参考图6，图解地图示了示范性医院风险策略决策支持工具显示100。医院风险管理单元配置由显示设备显示的所述显示。所述显示被配置为允许医疗保健从业人员、医院管理员等来选择患者概况102、识别的风险因子104以及医院特性106。所述选择能够包括菜单、下拉框、单选按钮、复选框等。所述选择能够包括通过子菜单、额外下拉框、单选按钮等的风险因子108的进一步的分割。
[0044] 患者概况识别优选患者组。因子选择对由模型识别的一个或多个风险因子进行选择。医院特性对用于与医院或比较群体组的比较的特性进行选择。系统用户进行所述选择。基于所述选择，关于所选择的特性针对医院(由系统的用户或添加的额外选择来表示)，以及针对比较群体或医院来计算统计。医院风险管理单元22使用模型基于所选择的患者概况和所选择的识别符风险因子从医院和所选择的不同医院对患者出院进行评分。医院风险管理单元22计算针对经评分的风险因子的一个或多个统计，例如中等风险评分。经评分的风险因子包括每个结果的分解。例如，在出院处的安排的风险因子包括出院回家、中间设施和短期医院的结果。在0-100的规模上对风险进行评分，其中，0是无再入院风险，并且100是确定再入院。显示设备针对医院和不同被识别的医院110或具有针对所选择的患者概况的选择的医院特性的医院，来显示针对再入院的所评分的风险因子的每个结果的统计。
[0045] 参考图7，图解地图示了示范性患者风险出院报告。由患者出院管理单元34生成的报告包括患者风险因子和值122以及由患者风险评分单元24确定的风险评分124。报告能够与其他患者群体比较统计，所述其他患者群体诸如为医院126和/或其他比较患者群体128，诸如参考区域，可比较医院、全州、国民组等。能够利用
颜色和/或图标130突出显示贡献于风险的具体风险因子。报告能够由查看出院的医疗保健从业人员使用。报告能够包括出院备选推荐。报告能够是允许比较群体的选择的交互式的，诸如参考图6描述的。所述报告能够包括对应的策略。
[0046] 应认识到，结合本文呈现的特定说明性实施例，特定结构和/或功能特征被描述为被并入所定义的元件和/或部件中。然而，预期了为了相同或类似的益处，这些特征也同样可以在适当情况下被并入到其他元件和/或部件中。还应认识到，可以适当地选择性地采用示范性实施例的不同方面，以实现适于期的望应用的其他备选实施例，因此其他备选实施例实现了并入其中的这些方面的各自的优点。
[0047] 还应认识到，本文描述的特定元件或部件可以经由
硬件、软件、
固件或其组合适当地实施其功能。此外，应认识到，本文描述为被合并在一起的特定元件在适当情况下可以是独立元件或以其他方式被分开。类似地，被描述为由一个特定元件执行的多个特定功能可以由独立作用以实现个体功能的多个不同元件来执行，或者特定个体功能可以被分开并且由共同作用的多个不同元件来执行。备选地，可以在适当情况下物理地或功能地组合本文以其他方式描述和/或示出为彼此不同的一些元件或部件。
[0048] 简言之，已经参考优选实施例阐述了本
说明书。明显地，其他人在阅读并理解本说明书后可以实现
修改和变化。本发明旨在被解释为包括所有这样的修改和变化，只要它们落入
权利要求书或其等价方案的范围内。亦即，将认识到，以上公开的各方面与其他特征和功能或其备选可以按期望组合到许多其他不同的系统或应用中，并且同时，本领域技术人员随后可以做出类似地各种当前未预见到或未预料到的备选、修改、变化或改进，其旨在由权利要求书涵盖。
