DMIAES 疾病风险建模在疾病风险调整及其在医院精准监管与评估中的应用

本文链接：https://blog.csdn.net/tandelin/article/details/90715660

最近进行医疗行业的数据挖掘，对医疗数据建模评估挖掘，进行了研究总结如下：

1.研究思路

在这里插入图片描述
DMIAES 疾病风险的建模方法和步骤
① 导入历史住院病案首页数据等相关数据。

②清理数据,删除缺乏关键指标数据和存在极值数据的病案首页数据。

③将 DRG 作为患者分组依据,将成人与儿童分开建立数据集,每个数据集单独建模。

④对同一数据集中自变量由患者的人口信息、入院途径和来源、合并症和并发症(简称 CC)的诊断编码组以及部分影响疾病转归的手术和操作术式等组成 [9-10] 。

⑤因变量的选择是基于医疗质量管理的核心维度而定,包括患者死亡率、住院天数、医疗成本、医疗效益、药品管理和耗材管理 6 大维度,如患者死亡率、住院
天数、住院费用、住院天数、药品费用、耗材费用等因变量。

⑥三级综合医院数据按病种建立统计模型。因变量为死亡率的统计模型采用多因素 logistic 回归模型建模,因变量为住院天数和医疗成本等定量指标的统计模型采用多元线性回归模型建模。考虑到建模中自变量数量多且可能存在相关性,所有回归模型都运用了基于 LASSO 统计方法的变量选择方法。对于死亡率模型,采用 χ 2 检验进行初选自变量,检验水准 α 设为 0. 05。对于住院天数和费用模型,采用 t 检验对发生合并症和未发生合并症的患者住院天数有无显著区别来选择自变量,检验水准 α 设为 0. 05。得到显著性变量后,运用传统的 LASSO 方法建模,形成预测值的量化公式。预期死亡率等离散变量指标:p =e (b0 + ∑ni =1 b i )1 + e (b0 + ∑ni =1 b i )
, 其中, b i 表示显著相关性系数, b 0表示模型截距,n 表示患者的显著相关性变量个数;住院天数和医疗成本等连续变量指标:outcome =(e b0 + ∑ni =1 b i )∗(e MSE(0. 5) ),其中, b0表示模型截距,MSE表示模型的平方误差, b i 表示显著相关性系数, 0. 5为统计偏差修正值。 ⑦模型质量验证:采用 C-index和 R 2 等指标对模型质量进行检验。文中最终的模型示意如下：
在这里插入图片描述