数据科学揭示，由于COVID-19护理中断，患者有出现不良结果的风险

本文基于2020年医疗分析峰会(已20.虚拟)由b.v well Connected Health首席信息官兼首席数据科学官Imran Qureshi主持的演讲，题为“通过数据科学引领后covid世界”。

截至2020-21年1月，大流行已导致7600万例COVID-19病例和160多万人死亡，其中许多人死亡医疗保健人员．除了这些破坏性后果和不断上升的死亡率之外，卫生保健组织还面临着大流行对日常护理的严重破坏带来的额外挑战。COVID-19影响了医疗保健的各个领域:门诊就诊人数下降60%虽然远程保健访问有所增加;诊断测试减少以及在医院寻求治疗的患者;全国的医院都输了601亿美元一个月，主要是因为选择性手术意外中止。

这些严重的医疗中断对患者的健康产生了深远的影响，使医疗机构猜测在常规检查停止后如何接触到患者并提供医疗服务。如果没有这些常规接触点，卫生系统就难以识别和治疗不良后果风险较高的患者。虽然一些人在大流行期间不再去看医生，但患有严重疾病的患者，如共病和慢性疾病，不能错过常规就诊。糖尿病和心脏病等疾病会对人的健康产生负面影响免疫系统这使他们感染COVID-19和其他严重疾病的风险更高，长期健康状况也更糟。延误治疗的危险还可能导致不可逆转的情况，如果提供者和患者及早介入，这些情况本可以避免，在某些情况下，还可能导致过早死亡。

由于有如此多的未知变量——疫苗开发、遵守口罩规定和保持社会距离指南——卫生系统可以依赖于卫生保健数据科学找出他们最脆弱的病人，并预测护理中断对这些病人的影响。基于准确数据的预测建模提供了对高危患者群体的可见性，可能的病人结果以及最好和最坏的情况，帮助卫生系统作出相应计划，防止健康状况恶化。

医疗数据科学帮助医疗系统识别高危患者

在新的、流动的护理环境中，卫生系统可以通过数据科学驱动的方法(如机器学习和预测模型)来解决护理中断问题，以识别受突然的护理提供变化影响最大的患者。通过预测模型提供关于因护理中断而出现更糟糕结果的最高风险患者的信息，卫生系统可以应用早期干预措施，并将资源用于有更复杂护理需求的患者。

要确定因保健中断而产生不良后果的风险最高的患者，卫生系统可以首先确定过去的保健中断。尽管与COVID-19的规模不同，但历史护理中断信息(例如，初级保健提供者(PCP)就诊减少或无保险患者增加)是一个起点。一旦卫生系统收集了足够多的数据集，可以确定哪些患者经历过医疗中断，就可以创建预测模型。

预测模型中的护理中断预测未来结果

为了在预测模型中解释护理中断，医疗保健数据科学从业者可以将特定的护理中断作为模型中的一个特征，例如列出PCP访问中的中断(图1)。在预测模型中将中断作为特征，允许算法预测护理中断对未来结果的影响(例如，总成本)。

虽然预测模型只是估计，但它们仍然是帮助卫生系统确定其最脆弱的强大工具人口．专注于卫生系统可以获得的信息，如护理中断的影响(如停止PCP就诊)，而不是专注于卫生系统不具备的信息(如COVID-19病因对结果的影响)，将有助于提供者确定不良结果风险最高的患者。数据科学专家还可以实现分析技术，例如过采样，类平衡，零通货膨胀这是为了解释过去数据中阳性样本比现在少的原因。

量化护理中断对医疗保健数据科学的准确性至关重要

在确定并选择一个护理中断作为模型中的一个特征包含之后，下一步是将护理中断转换为一个数字，以插入到预测模型中。为此，数据科学团队必须量化每一次护理中断。如何量化每个病例取决于每个卫生系统。例如，一家医院可以计算远程保健访问与正常访问的比例，或估计每个月急诊室、PCP和专家访问的次数与去年访问的次数的比较。

一旦数据科学家量化了护理中断，她必须推导出一个数字来反映实际发生的情况。最简单的方法就是创造一个移动平均线。例如，一个卫生系统可以创建一个三个月的移动平均数来消除小的变化，例如病人是在6月29日还是7月2日去看医生，但仍然可以准确地识别日常护理的任何变化。

当数据科学家调整这三个月的移动平均数时，他们可以确定什么时候移动平均数的变化比阈值更显著，从而导致护理中断(图2)。例如，在下图中，3月到4月之间发生了一些事情，使患者每月四次PCP就诊的移动平均数减少到每月一次。医疗保健数据科学团队可以使用这个数字来衡量或量化患者护理的变化，然后将该数字插入预测模型。

护理中断与病例组合信息相结合可获得更好的结果

测量护理中断是开始识别高风险患者的最佳途径，但仅靠测量是不够的。另一个重要的工具识别患者因covid -19导致的医疗保健变化而出现不良结果的风险增加的是病例组合。病例组合包括健康信息，如慢性疾病和过去几年费用或护理的变化。在预测模型中添加护理中断和病例混合作为特征，可以实现更准确的预测，因为模型可以了解为什么两个看起来相同的患者的成本不同。

例如，如果一个卫生系统有两个病人，他们都有相同的PCP就诊减少，数据科学家应该包括每个病人的病例组合，除了护理中断(即PCP就诊减少)。在本例中，病例组合显示，第一个患者患有糖尿病和充血性心力衰竭，这两种慢性疾病都使他面临更糟糕的结果。病例组合还将表明第二位患者是健康的，医院不需要采取干预措施或包括额外的监测。有了病例组合信息，卫生系统可以避免在监测不需要额外护理的患者时浪费有限的资源、人员和用品。

预测模型结果揭示了哪些护理中断应优先考虑

由于大流行造成了如此多的护理中断，数据科学家需要了解每个患者需要应对哪些护理中断(例如，PCP就诊次数的下降、失去保险或急诊就诊次数的增加)。数据科学团队可以使用特征贡献(feature contribution)，这是医疗保健数据科学中的一个概念，它接受一个预测，并将该预测分配给每个特征，使团队能够了解每个特征对预测的贡献有多大。在下面的模型中(图3)，护理团队需要优先解决PCP就诊的中断问题，因为这是结果的最大贡献者(在本例中，是总成本)。

护理中断影响医生的表现，影响人群

除了护理中断对患者的影响外，卫生系统还可以使用机器学习来了解护理的变化如何影响提供者的绩效，包括安全性、成本和质量。预测模型揭示了提供者表现的变化如何影响患者出现不良结果的更高风险。

例如，琼斯医生的病人平均花费10万美元，而史密斯医生的病人做同样的手术平均花费8万美元。起初，数据显示琼斯医生给卫生系统带来了更多的费用，但其他数据，如发病日期，显示琼斯医生的患者在大流行之前接受了治疗，而史密斯医生的患者在大流行之后接受了治疗。大流行造成了严重的护理中断，例如初级保健就诊和非基本护理(如物理治疗)暂停，这解释了医生之间的费用差异，而不是假设这种差异与提供者的表现有关。

由于非必要服务因COVID-19而停止，患者可能会花费卫生系统更多的钱，因为他们在无法获得服务之前获得了全面的服务。有了这些信息，领导层可以利用成本来了解哪些患者没有得到完整的服务，以及他们是否因此面临更大的恶化后果的风险。

医疗保健数据科学可以预防高危患者的不良结果

有了新型冠状病毒，卫生系统不能再依赖数据科学的基本假设——未来看起来像过去。然而，由于医疗保健领域一直存在医疗中断，甚至在COVID-19之前，卫生系统就可以在预测模型中使用这些信息来预测未来的结果。

在持续的大流行期间，护理中断直接增加了一些患者出现不良结果的风险。卫生系统必须确定这些高危患者，以便在病情恶化之前实施正确的护理干预措施。预测建模与不同的数据集允许领导识别因护理中断而出现不良结果的最高风险患者，并为不同的假设情况制定计划。有了数据科学，提供者和他们的护理团队可以主动干预，避免等到这些高风险患者来医院。

更多的阅读

你想了解更多关于这个主题的信息吗?以下是我们推荐的一些文章:

1. 2019冠状病毒病时代转向虚拟医疗:财务成功分析和优化患者体验
2. 用现实世界的分析对抗COVID-19的六种已被证实的方法
3. 如何运行分析以获得更可操作、更及时的见解:医疗保健数据质量框架
4. 人口健康的成功:利用数据的三种方法
5. 为COVID-19恢复提供高价值医疗保健分析的四种策略

---

幻灯片

您愿意使用或分享这些概念吗?下载突出重点的演示文稿。

请按此下载幻灯片

数据科学揭示，由于COVID-19护理中断，患者有出现不良结果的风险从世界杯葡萄牙vs加纳即时走地