Identificeren van toekomstig hoog zorggebruik bij patiënten met multimorbiditeit

Ontwikkeling en interne validatie van voorspellingsmodellen op basis van machine learning met behulp van gegevens uit elektronische patiëntendossiers

Deze studie is de eerste stap in het bepalen of voorspellingsmodellen kunnen helpen bij het identificeren welke patiënten met meerdere chronische aandoeningen het meest behoefte hebben aan geïntegreerde zorg. Het doel is om toekomstig zorggebruik, dat in potentie is te voorkomen, binnen deze groep te identificeren.

De onderzoekers deden een retrospectieve cohortstudie onder volwassenen met meerdere chronische aandoeningen in een academisch medisch centrum in Nederland. Uit demografische gegevens en kenmerken over het zorggebruik in 2017 voorspelden ze ≥ 12 polikliniekbezoeken, ≥ 1 SEH-bezoeken en ≥ 1 acute ziekenhuisopnames in 2018. Vervolgens werden vier machine learning-modellen (elastic net regression, extreme gradient boosting (XGB), logistische regressie en random forest) ontwikkeld, geoptimaliseerd en geëvalueerd in een hold-out dataset voor elke uitkomst. Op basis van die resultaten werd het XGB-model geselecteerd als definitief model voor alle drie uitkomsten. De prestaties bleven na optimalisatie echter subptimaal.

De geselecteerde modellen bleken per uitkomst in staat om patiënten te identificeren met toekomstig, in potentie te voorkomen, hoog zorggebruik. Het identificeren van hoog risicopatiënten met meerdere chronische aandoeningen en onderbouwen of zij het meest behoefte hebben aan geïntegreerde zorg blijft echter een uitdaging. Verder onderzoek is gerechtvaardigd om te bepalen of patiënten met een hoog zorggebruik inderdaad het meest behoefte hebben aan geïntegreerde zorg. Een andere relevante vraag die moet worden beantwoord: komen patiënten die op kwantitatieve wijze geïdentificeerd zijn overeen met de identificatie op basis van de ervaring en het oordeel van clinici?

Lees het volledige artikel ‘Identifying future high healthcare utilization in patients with multimorbidity’ van L Weill et al. in Health and Technology 1-17 2024.