利用健康保险索赔数据探索患者的多病性和复杂性:一种聚类分析方法

介绍

世界各地的卫生保健系统正面临着越来越多的慢性病和多病患者的巨大挑战，这些患者的特点是需求复杂，在不同的护理环境之间频繁转换[1]。在瑞士，220万人报告患有慢性疾病，50岁以上的人口中有近20%患有多种慢性疾病(多病)[2]。尽管进展性多病的趋势已被广泛认可[3.-6]，目前仍不清楚如何最好地照顾患有多种疾病的患者，以及哪种干预措施是有效的。二十多年来，世界范围内发展了综合和协调的护理[7]。然而，综合和协调的护理面临着持续的挑战，如扩大规模、实施和可持续性困难。此外，综合和协调的护理需要开发新的方法来评估和测量患者的多病性和复杂性。这是对目标人群进行分层并使干预措施适应患者需求的关键。通常，这种评估和测量依赖于发病率指数(如Charlson和Elixhauser)或(自我报告的)慢性疾病或合并症的数量[8]。虽然前者是在住院环境中作为死亡率的预测指标而开发的，但后者可能无法全面反映患者的疾病负担和复杂性。尽管存在这些限制，但由于它们的相对可访问性和简单性，它们仍然经常被使用。在没有电子医疗(健康)记录、国家疾病登记或慢性病数据的情况下，行政健康保险索赔数据可能是一个有用的信息来源。事实上，它们越来越多地用于卫生服务研究，特别是使用基于药物的成本组(pcg)来表达多发病[9，10]。PCGs是根据处方药物的使用情况而不是临床资料制定的，作为发病率衡量指标[11]。尽管该方法存在与低估药物使用、无人认领或自费支付相关的局限性，因此没有出现在数据中，也没有假设药物专门用于治疗特定疾病[11，12]，它允许绘制患者概况来反映他们的发病率状况。由于这种绘图方法和合并症计数被认为过于简单化[13]，研究人员可能会考虑其他方法来更详尽地调查患者的复杂性。其中一种方法是聚类分析，它依赖于这样一种观点，即许多常见的情况以可预测的模式聚集在一起[13]。研究表明，对药物使用研究的真实世界数据进行聚类分析可用于检测临床可信的亚群[14]。文献中也应用了基于多发病模式的类似分类方法[14-16]，但使用PCGs作为多病指标进行聚类分析是新颖的。在这种背景下，我们研究的目的是调查患者的多病性和复杂性，而不仅仅是简单的pcg制图和计数，使用聚类方法对年龄≥50岁的瑞士居民的索赔数据进行分析。

方法

数据来源及样本

我们纳入了2015-2018年期间在瑞士最大的健康保险公司之一Groupe Mutuel连续登记的240,511名年龄≥50岁的参保人员的数据。除人口统计信息(年龄和性别)外，数据还包括每个人的pcg、患者承担的费用(费用分担)、健康保险模式类型(有或没有门卫)和报销的医疗保健服务:与相关费用相关的各种医生的就诊次数、医生的专业化程度和住院情况。为了根据药物消费确定患有费用密集的慢性病和相应的高保健使用率的投保人，健康保险公司正在根据解剖治疗化学和规定的日剂量，将反映有效成分和数量的药物使用数据转换为PCGs。这一程序由瑞士联邦公共卫生局制定并正式接受[17]。在我们的研究中，根据患者每年的药物使用情况，当他们被分配两次或两次以上的pcg时，他们被归类为多病患者。

道德的考虑

数据已由保险公司去识别以保证匿名，并且本研究的伦理批准已由国家人类研究伦理委员会(瑞士洛桑)放弃。

聚类分析

我们采用了基于随机森林(RFs)的聚类方法[18-一种流行的基于分类和回归树的方法-包括几个步骤和机器学习算法[19-21]。该方法受到Breiman和Cutler设计的聚类方法的启发[19]， RFs的创造者[20.，21]。

在预处理步骤中，我们提取了34个pcg作为聚类过程的唯一输入特征。我们将34个PCGs分为15个疾病类别，从临床角度来看具有重要意义(多媒体附录1)。然后，我们只考虑第一年的信息，并提取10%的随机样本，以便对计算代价高昂的步骤进行有效处理。为了确认结果，我们进行了多次随机抽样，得到了相似的聚类。最后，我们丢弃了没有PCG或只有一种PCG的点。由于我们最终使用一种基于点之间距离给出的密度来检测聚类的算法，因此在相同位置存在许多相同的点可能会干扰算法，并且不必要地使计算更加昂贵。保持这些点的小随机样本将减少扰动，但不会改变结果，同时增加了不必要的复杂性，特别是对于检测这些额外簇所需的超参数选择。

为了启动聚类过程，我们通过从数据中每个输入变量的分布中随机抽样，创建了一个与原始数据大小相同的合成数据集。然后训练一个射频模型来对合成点和原始点进行分类，目的是利用图像的特征接近度量，点之间相似度的嵌入式射频度量。RF通过考虑它们预测的大多数类别来聚合多个决策树(dt)的预测。dt是一种分类模型，它通过对输入变量施加阈值并将每个子空间中的类预测为多数类，将数据点分离到子空间(叶)中。然后计算两点之间的接近度，作为它们在森林中穿过树木落在同一片叶子上的次数。为了稳定RF的随机效应，我们训练了10个RF模型，计算每个模型中所有点对的接近度，并对它们进行平均，以获得表征数据的平均接近矩阵。然后我们使用多维缩放(MDS) [22]在2D中投影相应的距离矩阵(1 -接近矩阵/(树的数量))，同时保留距离，并允许结果集群的可视化。最后，我们应用了基于层次密度的含噪声应用空间聚类(HDBSCAN) [23]，在丢弃数据中的合成点后，在获得的二维数据中检测聚类。HDBSCAN将聚类提取为由少量点的稀疏区域分隔的点的密集集合。考虑到聚类方法不可能进行交叉验证，基于算法中嵌入的各种指标和获得的聚类的临床相关性，为RF、MDS和HDBSCAN步骤选择了合理的超参数。度量标准包括out-of-bag（OOB)误分类误差，这表明射频区分原始数据和合成数据的能力。结果反映了数据中有多少结构[19]。另一个指标是归一化压力，测量投影后点与点之间的距离是否合理保留[22]，而集群的持久性， HDBSCAN嵌入指标，表明集群的定义和相互分离的程度[23]。在实践中，我们使用HDBSCAN和Scikit-learn库(在Python中)进行最后的集群和前面的所有步骤。

结果

在剔除信息缺失的个体后，我们的数据集包括18,732个个体(点)。对数据集的初步检查显示，我们在聚类程序之前提取了三个大的“单一”聚类，没有pcg，只有高血压pcg，只有精神疾病pcg，分别占人口的67.9% (n=12,720)， 9.7% (n=1813)和4.1% (n=765)。对其余3434名不属于后一种“单一”分类的患者进行聚类分析，确定了四个不同的分类:分类0到分类3，按应用HDBSCAN时发现的顺序编号(图1)。从这棵树可以清楚地看到群集(图2）;持久性较好，分别为0.29、0.24、0.15和0.24。10个RF的平均OOB误分类误差为0.51，相当高，说明RF不能很好地区分原始数据和合成数据，数据中没有太多的结构。对于执行的MDS，归一化应力为0.31，说明合理保留了点间距离。

检测到的4组含不同混合的多氯联苯(表1和图3):群0包括大量pcg(精神+高血压+疼痛+哮喘[慢性阻塞性肺疾病])，经常联合出现;第一类包括PCGs(甲状腺、高血压、青光眼和其他混合)，联合出现的频率较低;第2类包括哮喘、帕金森、心脏病和疼痛，这些疾病很少同时出现;第三类包括大量PCGs，几乎从未同时出现(单一疾病)。

以下对聚类的描述和解释是基于卫生保健使用和费用数据的描述性统计(表1)，这有助于了解将个人分组为PCG组的基本原理。首先，聚类0的成员(n=817, 4.4%)有最高的pcg数量和最高的成本和医疗保健使用，被称为“复杂的高成本高需求患者”(详细描述见表1)。这些环境的复杂程度反映在以下特征的组合上，这些特征由描述性统计解释(表1):人口亚组中pcg的平均数量、多种疾病患者的百分比、医疗保健的使用水平(例如，医生咨询和住院次数)以及费用。聚类1的成员(n=709, 3.8%)虽然有多个pcg，但其医疗费用和使用率低于聚类0;因此，它们被称为“稍微复杂的廉价低严重性PCGs”。聚类2的成员(n=531, 2.8%)年龄最大，住院和看全科医生的频率特别高，因此被称为“高风险的老年人”。从描述性统计数据来看，在这些环境中，高风险反映在相对较高的医院护理使用率上，但低于最复杂的群集:住院时间长(“有风险的老年人”和“复杂的高成本高需求”群集分别为5.6和6.6晚)和住院费用高(分别为2749瑞士法郎[2950美元]和3109瑞士法郎[3333美元])。聚类3的成员(n=1056, 5.6%)的特点是pcg数量相对较少(接近1)，药物费用最高，因此被称为“1种昂贵疾病的患者”。

‎ 查看此图

‎ 查看此图

‎ 查看此图

讨论

我们的研究表明，采用聚类分析来探讨患者的多病性和复杂性是可行的。结果表明，患有单一PCG的精神疾病或高血压患者、患有多种PCG的个体或患有单一高成本PCG的个体具有不同的医疗保健使用模式和不同的复杂性群体。

早期的研究主要关注从电子健康记录中确定的慢性病，证明慢性病之间存在系统关联，即慢性病(通常来自不同的疾病类别)在多病模式或集群中共同出现[24-26]。但重要的是，这些研究表明，就疾病和相关药物使用而言，多病模式的复杂性随着年龄的增长而增加，这对男女都适用。此外，与我们的发现一致，多个早期研究使用聚类分析来识别人群中临床同质的多病模式，其中聚类由诊断相关组组成[16，27-30.]。然而，这些研究使用了多病和合并症或临床诊断数据的测量，而不是来自索赔数据的pcg。由于方法和诊断细节水平的差异，这使得结果的直接比较具有挑战性。最近的一项系统综述证实，用于识别多病患者概况的分析方法是异质的(包括因素分析、多重对应分析、分层聚类和三步统一聚类方法)，这可能解释了各种研究中报道的多病模式的差异[31]。尽管存在这些差异，但研究中观察到的最普遍的群集或群体是相似的，包括高血压或代谢性疾病[28，29]以及精神和行为疾病[16]。对多病模式的系统回顾证实了代谢和精神群集的更大患病率和相似性，其中14篇综述文章中分别有9篇和10篇确定了这些群集[32]。一项研究比较了两个欧洲国家(西班牙和荷兰)人群的多病模式，发现确实，在心脏代谢群中观察到的相似性最高，尽管各国的人群可能存在差异[26]。

利用聚类分析识别基于医疗保健使用和支出的同质细分的现有文献有限[33-37]。具体来说，Nnoaham和Cann [33]根据医疗保健使用(通过就诊、用药和入院)和复杂性(通过长期状况)确定了与我们相似的细分(或集群)。其他研究使用聚类分析来确定高支出群体，并推断，尽管存在很大的异质性，但高支出群体通常表现出一般或较差的健康状况，有更多的医疗条件或合并症[34，35]。这些发现证实了我们的结论;然而，由于方法、人口年龄和背景、个人特征和诊断的细节水平的差异，这些数据需要谨慎解释。有证据表明，聚类分析可以为决策者提供比可能的统计显著变量列表或最高用户个人列表更多的信息[35]。

据我们所知，这是第一个使用聚类分析来探索患者的多病性和复杂性的研究，这反映在PCGs和医疗保健使用模式的混合中。此外，它还受益于医疗保健使用数据的丰富性、大样本量和先进的聚类方法。然而，本研究也有一定的局限性。第一个限制来自多参数配置过程，这增加了复杂性，同时不允许结果验证。因此，聚类解释必须依赖于算法、描述性统计和临床相关性的度量。其次，由于数据缺乏临床信息，我们仅依赖于PCGs作图，这可能对药物数据的描述不完整[9，11，12]。

我们的研究表明，基于pcg的医疗保健使用索赔数据的聚类分析可以从简单的合并症计数方法中转移出来，并且可以识别出医疗保健使用和成本增加的人口概况。这些结果可能为政策制定、护理计划和护理提供有见地的信息，以促进从侧重于单一疾病的程序和指南向发展综合和更好协调的护理的转变。