编辑推荐：
为解决预测非择期住院（NEH）及脓毒症住院风险的问题，研究人员开展预测成人 1-2 周 NEH 和脓毒症住院风险模型的研究。结果显示模型具有潜在临床可行性，能支持预防短期住院和脓毒症的临床项目，意义重大。
在医疗信息化飞速发展的当下，电子健康记录（EHR）广泛普及，积累了海量临床数据。然而，如何有效利用这些数据来预测患者的住院风险，尤其是短期内的非择期住院（NEH）和脓毒症住院风险，成为了医学领域亟待解决的问题。目前，虽然已有不少针对短期（30 天内）再住院或中期（6-12 个月）住院风险的研究，但从源头上预防住院的策略仍有待完善。脓毒症作为导致医院发病率和死亡率上升的重要因素，早期识别患者对于改善预后至关重要。因此，开发能够精准预测短期住院风险的模型，不仅有助于减轻患者的痛苦和医疗负担，还能优化医疗资源的配置。
在此背景下，来自美国凯撒医疗集团北加利福尼亚州分部（Kaiser Permanente Northern California，KPNC）的研究人员展开了深入研究。他们旨在开发并验证能够预测成人在门诊、急诊科治疗后出院（EDTR）或住院后 1-2 周内非择期住院和脓毒症住院风险的模型。该研究成果发表在《npj Digital Medicine》上，为临床实践提供了重要的参考依据。
研究人员在此次研究中用到了以下几个主要关键的技术方法：首先，以 KPNC 中 2012 年 1 月 1 日至 2019 年 12 月 31 日期间的门诊就诊、EDTR 或过夜住院且出院回家的成年患者为研究对象，收集相关数据。其次，运用梯度提升机（GBM）算法构建预测模型，并将 2012 - 2018 年的数据用于模型开发，2019 年的数据用于模型验证。最后，通过计算受试者工作特征曲线下面积（AUROC）、精确召回曲线下面积（AUPRC）、校准曲线以及不同评估所需人数（NNE）下的敏感性 / 特异性等指标来评估模型性能 。
下面介绍研究的主要结果：
- 数据描述：研究期间，共有 4,488,579 名成年人在 KPNC 医疗机构有符合条件的就诊记录，其中包括 1,481,430 次住院、6,035,296 次 EDTR 和 86,013,893 次门诊就诊。不同就诊类型的患者在人口统计学特征、共病负担、医疗资源利用等方面存在差异。住院患者的病情相对更严重，EDTR 患者次之，门诊患者最轻。
- 模型预测因子及其贡献：研究人员最初考虑了 354 个变量，最终确定的模型包含人口统计学、会员身份、医疗资源利用、实验室检查、药物处方、生命体征和自动化指数等维度。不同变量维度对模型预测能力的贡献因结局和预测位点而异。例如，自动化指数对 2 周 NEH 模型的预测能力贡献最大；生命体征对 EDTR 队列的贡献相对较大；实验室检查对门诊队列的贡献较小 。
- 模型性能：在验证数据集上，模型的区分度（AUROC）在 0.687（住院出院后 1 周内 NEH）至 0.904（门诊就诊后 2 周内脓毒症住院）之间。在 40% 敏感性下，NEH 模型的 NNE 在 4.3（住院后 2 周内 NEH）至 45（门诊就诊后 1 周内脓毒症住院）之间。2 周模型的 AUROC 高于 1 周模型，脓毒症住院结局的 AUROC 高于非择期住院结局。
研究结论和讨论部分表明，该研究成功从商业 EHR 中提取并整合新的预测因子，构建的模型在预测短期住院风险方面具有潜在的临床可行性，NNE 处于可操作范围，可作为预防短期住院和脓毒症临床项目的初步筛查工具。同时，新预测因子提升了模型的统计性能，凸显了实时利用以往用于回顾性分析的数据元素的潜力。然而，研究也存在一定局限性。数据来源于特定的参保人群和高度整合的医疗系统，与其他医疗环境可能存在差异；KPNC 广泛使用自动化指数，其他机构可能不具备类似条件；研究未纳入电话或视频就诊数据，且受新冠疫情影响，这些因素可能影响模型的普适性。但总体而言，该研究为短期住院风险预测提供了新的思路和方法，为后续研究和临床实践奠定了基础，有望推动医疗领域在预防住院和脓毒症方面取得新的进展。
