Jason Brinkley , PhD, Seniorforscher, Amerikanische Forschungsinstitute
Elizabeth Horner , PhD, leitende Forscherin, Amerikanische Forschungsinstitute
Die Muster der Krankenhausnutzung sind vielschichtig und ihre Ursachen so vielfältig wie die Patientenpopulationen selbst. Es besteht Bedarf, Patienten mit vermeidbar hoher Krankenhausnutzung zu identifizieren. Die meisten Studien verwenden eine direkte Modellierung der Nutzungszahlen. Diese Strategie erfasst jedoch weitgehend unveränderliche Faktoren (z. B. ethnische Zugehörigkeit und Alter) und bietet wenig Anhaltspunkte für politische Maßnahmen. Wir schlagen einen alternativen Ansatz vor: die Segmentierung der Patientenpopulation in Gruppen und die Feststellung, dass eine Gruppe Krankenhausleistungen häufiger in Anspruch nimmt als andere. Mithilfe von administrativen Daten und prädiktiver Modellierung ermitteln wir, ob Personen wahrscheinlich in ein bestimmtes Segment fallen. Wir wenden den Ansatz auf Daten eines ländlichen Krankenhauses an und untersuchen Übergänge von der häuslichen Pflege in die Langzeitpflege bei älteren Risikopatienten. Dieses Segment machte etwa 20 Prozent der stationären Hochnutzung, 15 Prozent der Notfallaufnahmen und 11 Prozent der 30-Tage-Wiederaufnahmen aus. Die prädiktive Modellierung identifizierte anschließend spezifische ICD-9-Code-Gruppen mit erhöhter Wahrscheinlichkeit für einen späteren Übergang. Diese Gruppen bieten Interventionsmöglichkeiten, um entweder weitere Krankenhausnutzung zu verhindern oder Hinweise auf einen wahrscheinlichen späteren Transfer zu geben. Diese Technik ist zwar in der Business-Analytics weit verbreitet, im Gesundheitswesen jedoch weniger. Wir zeigen, dass die Anwendung des Rahmens die Diskussion von politischen Änderungen und Interventionen ermöglicht.
