卡塔尔世界杯8强波胆分析

摘要

背景:

机器学习(ML)的最新进展和医疗保健数据的激增使得人们对使用这些技术来改善医疗保健感到普遍兴奋。预测分析模型在脓毒症、急性肾损伤、呼吸衰竭和一般恶化等领域已被提出，以改善及时的救命治疗和减轻昂贵的下游并发症。有人认为，一种更有针对性的方法，考虑到不同护理环境可能存在的实施限制，可以进一步促进这种系统的采用。

摘要目的:

优化脓毒症预测模型在不同患者群体中的参数，以最大限度地减少脓毒症护理的额外成本，并分析导致最终用户对脓毒症警报反应的因素对整体模型效用的潜在影响。

方法:

我们通过比较有和没有继发脓毒症诊断但具有相同初级诊断和基线合并症的患者来计算败血症给医疗保险和医疗补助服务中心(CMS)的额外费用。我们优化了脓毒症预测算法在不同诊断类别中的参数，以尽量减少这些额外的成本。在最佳情况下，我们评估了诊断优势比，并分析了依从性因素(如不依从性、治疗疗效和对假警报的容忍度)对触发败血症警报的净收益的影响。

结果:

依从性因素对触发脓毒症警报的净收益有显著贡献。然而，定制的部署策略可以实现更高的诊断优势比和降低败血症护理成本。通过强大的预测模型实施我们的优化程序可以为CMS节省46亿美元的额外成本。

结论:

我们提供了一个框架，CMS政策制定者可以使用它来推荐对败血症的早期识别和适当护理的最低依从率，这对医院部门水平的发病率和国家超额成本很敏感。通过考虑各种行为和经济因素来定制临床预测模型的实施可能会提高预测模型的实际效益。