《Healthcare Analytics》：A data-integrated systems engineering method for proactive inpatient fall prevention
编辑推荐：
住院患者跌倒仍然是一个持续的患者安全问题，增加发病率、死亡率和成本。本研究整合了机器学习（ML）、贝叶斯信念网络（BBNs）和链事件图（CEGs）与患者安全系统工程倡议（SEIPS），以增强跌倒风险预测和支持预防。分析了一个来自学术医院的回顾性队列，包含666
住院患者跌倒仍然是一个持续的患者安全问题，增加发病率、死亡率和成本。本研究整合了机器学习（ML）、贝叶斯信念网络（BBNs）和链事件图（CEGs）与患者安全系统工程倡议（SEIPS），以增强跌倒风险预测和支持预防。分析了一个来自学术医院的回顾性队列，包含6661次住院入院，其中1.8%经历了至少一次跌倒。根据最近的指南建议，不鼓励使用独立的跌倒风险评分进行筛查，本工作使用常规收集的电子健康记录（EHR）数据来支持本地定义的多因素跌倒预防，而不是提出一个新的床旁评分。所选择的基于SEIPS的自编码器，在嵌套分层交叉验证下评估，显示出比纯数据驱动模型更平衡的性能，并实现了0.74的跌倒事件召回率。特征分析识别出临床合理的贡献因素，涵盖患者、任务、工具和技术、组织条件和物理环境。BBNs捕获了这些预测因素之间的概率依赖关系，CEGs总结了涉及移动能力受损、认知状态较低、神经反应性中等和钾值较高的组合的高风险路径。提升建模表明，接受跌倒教育的患者跌倒概率估计降低7.5%，基于观察性数据的标准因果假设。使用已发表的每次跌倒估计的成本分析表明，如果类似效果在实践中实现，实施可以有意义地减少采用系统导向、数据驱动跌倒预防计划的医院的跌倒相关支出。
住院患者跌倒是一个全球性的患者安全问题，导致发病率和死亡率增加，并带来巨大的经济负担。估计显示，3%–20%的住院患者在住院期间至少经历一次跌倒，其中30%–50%导致损伤。在美国，每年约有70万至100万患者发生跌倒，造成严重后果如骨折和头部创伤。经济影响显著，单次跌倒平均总成本超过6.4万美元，在英国每年成本超过23亿英镑，美国超过500亿美元。此外，美国医疗保险和医疗补助服务中心停止报销跌倒相关伤害的决定增加了医院加强预防系统的财务压力。跌倒风险在老年人中尤为突出，随着人口老龄化，挑战进一步加剧。预防住院患者跌倒困难，因为风险涉及患者特异性和系统层面因素的相互作用，包括年龄、既往跌倒、移动限制、神经状态、认知障碍和药物负担，以及人员配备、护理流程、设备和环境条件。传统评估工具如Hester Davis Scale（HDS）和Morse Fall Scale（MFS）依赖手动评估，可能无法完全捕捉跌倒风险的动态和多因素性质。近期指南因此不鼓励使用独立的数值跌倒风险评分，而推荐多因素评估和预防规划。在此背景下，本研究不提出新的床旁筛查评分，而是检查如何使用常规收集的电子健康记录（EHR）数据支持系统层面的本地化多因素跌倒预防。
机器学习（ML）方法可以分析比传统评估工具更广泛的EHR变量，包括人口统计、诊断、药物负担、实验室值和护理流程指标，识别可能通过手动评估不明显的模式和交互。然而，仅预测性能不足；基于统计关联的模型可能难以临床解释，并可能低估组织和环境条件对安全结果的影响。因此，需要一个在加强预测的同时保持与医院工作系统临床有意义特征的分析框架。患者安全系统工程倡议（SEIPS）框架围绕人员、任务、工具和技术、组织条件以及物理环境之间的交互组织患者安全，为特征组织提供概念指南。贝叶斯信念网络（BBNs）用于建模变量之间的概率依赖关系，支持路径解释；链事件图（CEGs）通过表示条件如何沿不同事件路径展开，补充了分析。提升建模估计异质性治疗效果，有助于识别可能从特定干预中受益的患者。倾向评分方法减少观察性数据中的偏差。
本研究整合了这些方法，在一个综合框架中增强跌倒风险预测、路径解释和干预目标化。动机来自三个相关需求：改善罕见事件的预测、将预测嵌入系统工程视角、以及将分析扩展到路径解释和干预目标化。研究贡献包括：开发集成分析框架，结合ML、SEIPS、BBNs、CEGs、倾向评分调整和提升建模；通过比较建模显示SEIPS informed特征组织可提高解释性和相关性；使用BBNs和CEGs识别概率依赖性和高风险路径；通过倾向评分调整和提升建模检查跌倒教育的异质性效果；将分析组件转化为增强的跌倒风险评估工作流程。
研究发表在《Healthcare Analytics》杂志上，使用了一个多方法框架，整合ML、SEIPS模型、BBNs、CEGs、倾向评分调整和提升建模。整体工作流程包括四个相互关联的阶段：队列构建和预处理、预测模型比较、路径分析和干预效果估计。数据来自阿布扎比Cleveland Clinic Abu Dhabi（CCAD）的本地EHR，是一个回顾性队列，包含2019年至2022年的6661次成人住院入院，其中117次（1.8%）至少有一次记录的跌倒。结果变量定义为入院水平，表示住院期间是否发生跌倒。数据探索包括75个候选预测变量，涵盖患者人口统计、临床和治疗特征、组织和单位变量以及时序指标。SEIPS模型作为概念指南，将可用EHR变量映射到工作系统组件：患者、任务、工具和技术、组织条件、物理环境和外部环境。统计功效考虑事件罕见性（1:56的跌倒与非跌倒不平衡），采用分层拆分、嵌套分层交叉验证和多种不平衡处理策略，如合成少数过采样技术（SMOTE）、自适应合成采样（ADASYN）、类别权重调整和集成方法。缺失值插补评估了五种策略：常数标志-1、众数/均值、迭代插补器、MICE Forest和MissForest。特征选择比较了四种策略：保留完整特征集、遗传算法搜索、顺序前进选择（SFS）和递归特征消除（RFE）。预测建模评估了多种ML算法，包括随机森林（RF）、梯度提升（GB）、AdaBoost、决策树（DT）、逻辑回归（LR）、极端梯度提升（XGBoost）和贝叶斯加性回归树（BART），以及异常检测方法如单类支持向量机（SVM）、孤立森林和自编码器。性能指标使用受试者工作特征曲线下面积（AUROC）、召回率、F1分数和平衡准确率。与现有工具如HDS和MFS比较。因果发现使用BBNs和CEGs建模预测因子之间的依赖关系和路径。倾向评分匹配和提升建模用于干预目标化，聚焦跌倒教育作为干预。
研究结果分为几个部分。首先，预测模型性能显示，SEIPS-based Autoencoder与遗传特征选择和MICE Forest插补实现了最平衡的性能，整体准确率0.89，跌倒类别召回率0.74，而非跌倒类别召回率0.90。相比之下，SEIPS-based XGBoost模型虽然AUROC较高（0.94），但跌倒召回率仅为0.32。与标准工具比较，SEIPS-based Autoencoder的AUROC为0.87（95% CI: 0.82–0.92），敏感性0.74（95% CI: 0.65–0.82），特异性0.90（95% CI: 0.89–0.91），优于HDS和MFS。特征分析识别出临床合理的预测因子，涵盖SEIPS类别：患者（性别、年龄、近期ICU、导管、BMI）、任务（入院诊断、跌倒教育、步态、格拉斯哥昏迷评分、最终DRG名称）、组织条件（护理者ID）、工具和技术（药物数量、精神状态、意识水平、移动能力、钾）、物理环境（服务、入院位置、入院部门）、外部环境（隔离）。这些预测因子被用于后续分析。
其次，因果关系和路径分析使用BBNs和CEGs。BBN分析显示，跌倒相关结构由患者水平和组织因素共同塑造，包括药物负担、步态、精神状态、移动能力、入院位置和护理复杂性。BBN中，药物数量、跌倒教育和入院位置直接链接到跌倒结果。CEG分析提供了路径导向视图，显示高风险 profile 通常涉及移动能力需要帮助或无法独立移动、认知状态降低或混乱、格拉斯哥昏迷评分中等降低以及钾值较高。后验概率最高的路径对应于低移动能力、认知障碍、轻度格拉斯哥昏迷评分降低和较高钾值的组合。这些结果表明跌倒相关路径由条件组合而非单一变量效应形成。
第三，个体化治疗效果和成本节约分析使用倾向评分调整和提升建模。提升分析表明，在匹配队列中，跌倒教育与较低的跌倒概率相关，平均治疗效果（ATE）为-0.075（95% CI: -0.102 to -0.049），p值<0.001；平均治疗效果 on the treated（ATT）为-0.081（95% CI: -0.110 to -0.053）。亚组模式显示，涉及既往跌倒史或轻度认知障碍的入院最可能从跌倒教育中受益。成本分析使用已发表的每次跌倒估计，ATE为-0.075对应于117次跌倒入院中约9次跌倒减少，直接成本抵消约318,285美元；SEIPS-based Autoencoder的召回率0.74对应于约87次跌倒入院正确识别，成本抵消约3,076,755美元；组合情景总成本抵消约3,395,040美元。这些是情景估计，非正式成本效益分析。
讨论部分解释了研究意义。SEIPS-based Autoencoder提供了跌倒敏感性和可接受特异性之间的最佳平衡，而BBN和CEG分析表明跌倒风险由相互作用的患者、临床和组织因素塑造，而非单一主导预测因子。提升建模表明跌倒教育的表观益处可能在不同入院中不同，支持将跌倒风险估计与干预目标化联系起来。研究设计考虑包括：分析队列包含117次跌倒入院，事件数量适中，可能影响模型稳定性；队列来自单中心回顾性数据，可能存在选择偏差；模型在入院水平开发，但EHR数据是纵向的，因此结果不应解释为住院期间的特定日预测；预测因子反映CCAD的本地组织结构，可能影响泛化性；成本估计是情景基础的。未来工作应聚焦外部验证、本地重校准和前瞻性评估，特别是在不同病例组合和组织结构的环境中，并检查动态更新是否能改善预测和干预时机。
研究结论部分总结：本研究开发了一个系统 informed 分析框架，用于住院患者跌倒预防，整合了ML、SEIPS模型、BBNs、CEGs和基于倾向评分的提升建模。框架使用常规收集的EHR数据支持入院水平跌倒风险分类、路径解释和更有针对性的预防规划。在评估的配置中，SEIPS-based Autoencoder为罕见结果提供了最平衡的性能，而后续BBN和CEG分析表明跌倒相关风险由相互作用的患者、临床和组织因素形成。提升分析阶段进一步表明跌倒教育的表观益处可能在不同入院中不同，支持将跌倒风险估计与干预目标化联系起来。主要贡献在于分析工作流程及其将工作系统思维与预测和规范分析的整合。未来工作应聚焦外部验证、本地重校准和前瞻性评估，以及动态更新是否能改善预测和干预时机。
