제이슨 브링 클리 , PhD, 선임 연구원, 미국 연구소
엘리자베스 호너 , PhD, 선임 연구원, 미국 연구소
<script>LITHIUM.OoyalaPlayer.addVideo('https:\/\/player.ooyala.com\/static\/v4\/production\/', 'lia-vid-RxZWQ5ODE6s09bl7o5pEkSNTjqobaB2Xw400h300r371', 'RxZWQ5ODE6s09bl7o5pEkSNTjqobaB2X', {"pcode":"ltbGkyOjMl3V3pZ3Trn6T2z1_rjF","playerBrandingId":"ODI0MmQ3NjNhYWVjODliZTgzY2ZkMDdi","width":"400px","height":"300px"});(내 비디오에서보기)
병원 이용의 패턴은 환자 집단만큼 다양한 인과 적 메커니즘으로 다각적입니다. 예방 가능한 높은 병원 이용률을 가진 환자를 확인해야 할 필요가 있습니다. 대부분의 연구에서는 이용 횟수를 직접 모델링합니다. 이 전략은 주로 불변의 요소 (즉, 인종 및 연령)를 식별하고 정책 변경에 대한 지침을 거의 제공하지 않습니다. 우리는 이용률 인구를 그룹으로 나누고 한 그룹이 다른 그룹보다 높은 비율로 병원 서비스를 "사용"한다는 것을 확인하는 대안적인 틀을 제안합니다. 관리 데이터를 사용하여 예측 모델링을 사용하여 개인이 특정 세그먼트에 속할지 여부를 결정합니다. 시골 병원의 데이터에이 프레임 워크를 적용하여 고령의 위험에 처한 환자의 집에서 장기 간병으로의 전환을 검사합니다. 이 부문은 높은 입원 환자의 약 20 %, ER 활용의 15 %, 30 일 재입 원의 11 %를 나타냅니다. 그 다음에 예측 모델링을 통해 고유 ICD-9 코드 그룹을 식별하여 이후 전환 가능성을 높였습니다. 이들 그룹은 개입 할 기회를 제공하여 더 많은 병원 이용을 막거나 나중에 발생할 가능성이 높은 지침을 제공합니다. 이 기술은 비즈니스 분석에서 널리 사용되지만 건강 관리 분야에서는 널리 사용되지 않습니다. 우리는 프레임 워크를 적용하면 정책 변화와 중재에 대한 논의가 가능함을 보여줍니다.
