ジェイソンブリンクリーアメリカ研究研究所主任研究員
エリザベスホーナーアメリカ研究研究所主任研究員
<script>LITHIUM.OoyalaPlayer.addVideo('https:\/\/player.ooyala.com\/static\/v4\/production\/', 'lia-vid-RxZWQ5ODE6s09bl7o5pEkSNTjqobaB2Xw400h300r371', 'RxZWQ5ODE6s09bl7o5pEkSNTjqobaB2X', {"pcode":"ltbGkyOjMl3V3pZ3Trn6T2z1_rjF","playerBrandingId":"ODI0MmQ3NjNhYWVjODliZTgzY2ZkMDdi","width":"400px","height":"300px"});（マイビデオで見る）
病院利用のパターンは、患者集団と同じくらい多様な因果メカニズムで多面的です。予防可能な高い病院利用率を有する患者を識別する必要がある。ほとんどの研究では、使用率の直接モデリングを採用しています。この戦略は主に不変の要因（すなわち人種や年齢）を特定し、政策変更についてはほとんど手引きを提供しません。利用人口をグループに分割し、1つのグループが他よりも高い割合で病院サービスを「使用」していることを確立するという代替のフレームワークを提案します。管理データを使用して、予測モデリングを使用して、個人が特定のセグメントに分類される可能性があるかどうかを判断します。我々は農村病院からのデータにフレームワークを適用し、高齢のリスクの高い患者の間での在宅から長期ケアへの移行を検討している。このセグメントは、入院患者の高利用率の約20％、ER利用率の15％、および30日間の再入院の11％を占めていました。その後、予測モデリングによって、後の移行の可能性が高い、固有のICD-9コードグループが識別されました。これらのグループは介入する機会を提供し、それ以上の病院の利用を妨げるか、または後に転院する可能性があるためのガイダンスを提供します。この手法はビジネス分析では一般的ですが、ヘルスケアではそれほど普及していません。我々は、この枠組みを適用することで、政策変更や介入についての議論が可能になることを実証します。
