30天再入院风险的时间结构及其临床效用
开发队列30天再入院率为16.3%,其中68.2%发生在14天内。累计风险模型区分度良好(30天AUROC 0.796),但按时间段分析时,5%干预容量下仅0-7天PPV较高(58.3%),第8天后PPV降至16.0%及以下,NNT显著升高。提示出院时模型可识别总体再入院风险,但不足以精确指导第7天后的随访安排。
要点
- 开发队列30天再入院率16.3%(95%CI 16.2%-16.5%),68.2%的再入院发生在出院后14天内,风险集中在早期。
- 5%干预容量下,0-7天时间段PPV为58.3%(95%CI 57.4%-59.1%),NNT为8.6;8-14天PPV降至16.0%,NNT升至31.3。
- 15-21天和22-30天时间段PPV分别为14.5%和12.9%,NNT分别为34.6和38.6(假设20%相对风险降低)。
- 累计风险模型30天AUROC为0.796(95%CI 0.794-0.797),但累计PPV随随访延长而升高,反映事件累积而非时间段特异可操作性。
- 外部队列(MIMIC-IV)结果模式一致,但绝对PPV更低、NNT更高;出院时模型对后期再入院的时间特异预测精度不足。
适用人群与场景
- 开发队列:2017年7月至2024年3月美国Mayo Clinic 19家医院成年的存活出院患者,排除年龄<18岁、出生日期缺失或未知、未提供所需研究授权者;纳入住院、过渡期护理和临终关怀出院。
- 外部队列:MIMIC-IV中2008至2019年成人住院出院患者。
- 分析单位为指数出院,患者可多次出院;研究场景为出院后30天随访。
诊断标准与关键阈值
- 主要结局为出院后首次全因再入院(死亡前),死亡作为竞争事件。
- 时间分段:出院后0-7、8-14、15-21、22-30天;累计时间点:出院后7、14、21、30天。
- 干预容量设置为按预测风险排序的前5%、10%、20%出院患者。
- NNT计算假设20%相对风险降低(基于 outpatient follow-up 与30天再入院关联的meta分析估计)。
处置流程与药物剂量
- 原文未提及具体药物剂量、给药途径或治疗方案。
- 原文提示:出院时模型可能最适合识别出院后早期(0-7天)高风险患者;对第7天后的随访窗口,可能需要出院后重新评估风险而非仅依赖出院时信息。
- 决策曲线分析显示,与不治疗策略相比,各时间段模型预测均有正净获益,0-7天净获益最大,后续时间段较低。
红旗征与不能漏的情况
- 原文未提及
研究设计与关键结果
- 开发队列中位年龄65岁(IQR 50-76),女性占51.0%;30天再入院率16.3%(95%CI 16.2%-16.5%),7天累计7.6%,14天累计11.1%。
- 累计模型AUROC:7天0.812(95%CI 0.810-0.814),30天0.796(95%CI 0.794-0.797);外部队列7天0.746(95%CI 0.740-0.751),30天0.781(95%CI 0.778-0.784)。
- 5%干预容量下时间分段PPV:0-7天58.3%(95%CI 57.4%-59.1%),8-14天16.0%(95%CI 15.5%-16.6%),15-21天14.5%(95%CI 13.9%-15.0%),22-30天12.9%(95%CI 12.4%-13.5%);对应NNT分别为8.6、31.3、34.6、38.6。
- 累计PPV在5%容量下从7天58.5%升至30天74.3%,对应NNT从8.6降至6.7。
- 常规二分类30天模型与30天累计时间结构模型在开发队列区分度相同(AUROC均为0.796),外部队列二分类模型较低(0.755 vs 0.781)。
证据类型、等级与局限
- 证据类型:回顾性预后研究(非RCT),遵循TRIPOD+AI报告规范。
- 局限:回顾性设计;开发队列为单医疗系统多中心,外部队列为公开重症数据库;预测变量限于出院时结构化电子病历变量;NNT基于假设的20%相对风险降低,为说明性估计,非因果效应;原文未给出推荐等级。
对床旁实践的改变
- 不能仅凭出院时30天再入院风险评分来安排第7天后的随访强度;对后期随访窗口,应考虑出院后重新评估风险。
- 出院时模型可能对识别0-7天高风险患者更有用(5%容量下PPV 58.3%,NNT 8.6),适合用于早期过渡期护理资源分配。
- 累计30天风险高不代表特定时间段可操作性强;将总体风险与时间特异可操作性混同可能导致干预效果不佳。
- 适用于成人存活出院患者;不适用于原文排除的人群(<18岁、出生日期缺失、未提供研究授权者)。
指南或共识出处
- 原文未提及具体指南或共识名称;引用了LACE指数(length of stay, acuity of admission, comorbidity, and emergency department visits)作为常用30天再入院风险评分。
全文中译18 节 · 点击展开
引言
在美国,30天再入院率仍是一项重大挑战,并与患者负担、不良结局和费用增加相关。全国性估计表明,约13.3%的出院患者在30天内再入院。1大多数既往研究,包括使用机器学习方法的研究,将再入院概念化为单一的30天二分类结局。2,3然而,这种方法无法区分风险在出院后期间何时发生。因此,它对于将过渡期护理策略与风险最高且可最有效针对的时期相匹配提供的指导有限。4,5
这一局限性具有重要的临床意义。过渡期护理资源有限,且仅有一部分再入院可能可预防。6,7因此,临床医生和卫生系统不仅必须确定哪些患者风险最高,还必须确定该风险何时最为集中。早期和后期再入院在风险可识别程度和对干预的反应性方面可能不同,但它们通常被一起纳入单一的30天框架中考虑。对再入院风险的时间结构化理解可能更好地指导如何以及何时部署出院后护理。
为填补这一知识空白,我们描述了再入院风险的时间特征及其对临床实用性的意义。我们没有将再入院视为单一的30天结局,而是考察了多个出院后时间范围内的首次再入院,同时将死亡作为竞争事件加以考虑。我们估计了出院后7、14、21和30天的再入院风险,并使用界标区间特异性分析评估时间结构化再入院建模是否能识别适合特定出院后随访间期的患者。
方法
研究设计与数据来源
我们开展了一项预后研究,以考察不同时间范围内的出院后再入院风险及其临床相关性。开发队列来源于2017年7月至2024年3月期间明尼苏达州、亚利桑那州、佛罗里达州和威斯康星州全部19家Mayo Clinic医院的Epic电子健康记录(EHR)数据。外部评估队列为公开可用的重症监护医学信息数据库IV(MIMIC-IV),其中包括2008年至2019年的住院记录。8,9本研究遵循个体预后或诊断多变量预测模型透明报告(TRIPOD+AI)指南进行预测模型研究报告。10分析于2025年11月至2026年6月进行。Mayo Clinic机构审查委员会认定本研究豁免审查,并批准豁免知情同意。MIMIC-IV是一个去标识化公共数据库,研究者需完成所需的数据使用培训和协议。
研究人群
分析单位是指数住院出院。符合条件的出院是指患者存活出院、且有记录出院日期和时间的住院就诊记录。我们排除了年龄小于18岁的患者、出生日期缺失或未知的患者,以及未提供所需研究授权的患者。符合条件的就诊包括住院、过渡期护理和临终关怀入院。最终开发队列包括来自341 824名患者的617 841次出院。我们使用MIMIC-IV对分析框架进行外部评估(补充材料1中的eMethods)。流程图总结了队列选择过程(补充材料1中的eFigure 1)。由于各队列之间的预测变量存在差异,模型在跨时间范围采用一致的分析框架分别开发。
主要结局
结局为出院后首次再入院。界标区间特异性再入院风险在每个区间开始时存活且未再入院的患者中评估至第0至7天、第8至14天、第15至21天和第22至30天。累积再入院风险评估至出院后7、14、21和30天。死亡被视为竞争事件。11
预测变量
候选预测变量为出院时或出院前可获取的结构化电子健康记录(EHR)变量,包括人口统计学特征、健康社会决定因素、既往医疗利用情况、合并症指数、指数住院特征、生命体征、实验室检查汇总及出院药物。共有277个候选预测变量可供分析;预测变量定义、特征工程和超参数见补充材料1中的eMethods。为评估预设临床领域的贡献,我们在每个队列内使用相同的分组验证框架进行了分阶段领域消融分析。种族和民族来自自我报告的结构化EHR字段,并由源EHR定义而非由研究者定义。评估种族和民族旨在描述队列特征,并解释与出院后结局相关的社会背景、可及性和诊疗模式差异。
建模方法
我们使用梯度提升决策树(XGBoost)开发了离散时间竞争风险模型,12并在开发队列和外部队列中分别应用相同的分析框架。11,12分析采用按患者标识符分组的5折交叉验证。模型针对累积时间范围和界标分析进行拟合。在研究期间,患者可贡献多次出院记录;分析考虑了出院记录在患者内的聚类效应以避免信息泄露。额外分析评估了开发队列内的时间和地理一致性(补充材料1中的eMethods)。性能估计基于折外预测。
临床效用与运营分析
采用标志性区间特异性预测风险评估临床实用性,以评价特定时间点的随访决策;采用累积时间范围预测风险描述总体再入院风险。在一系列阈值概率范围内计算净获益。对于标志性决策曲线分析,将基于模型的策略与不治疗参照策略进行比较。13,14 为支持运营规划,我们评估了容量受限的靶向策略,即将干预措施提供给按预测风险排序后前5%、10%或20%的出院患者。对于每种策略,我们报告了阳性预测值(PPV)、捕获的再入院事件比例以及各干预容量下相应的风险阈值。在标志性分析中,PPV定义为所选患者中在相应区间内发生再入院的比例。
为将靶向决策与潜在临床结局相联系,我们在假设20%相对风险降低的条件下计算了需治疗人数(NNT)。15,16 这些估计值为示例性数据,反映的是假设性干预效果,不应被解释为因果效应。
传统二元30天再入院模型
为与传统方法进行基准比较,我们拟合了一个二元XGBoost模型来预测30天内首次再入院(定义为发生在死亡之前)。该模型使用了与主要分析相同的预测变量和验证方法。我们比较了二元模型与累积时间结构框架的性能,以评估在多个时间范围上建模再入院是否能提供超出单一二元30天估计的信息。
统计分析
采用5折交叉验证评估模型性能,按再入院状态分层并按患者分组。采用受试者工作特征曲线下面积(AUROC)和精确率-召回率曲线下面积(AUPRC)评估区分度。采用观察风险与预测风险及校准斜率评估校准度。采用Brier评分总结总体准确度。性能和临床效用指标的95% CI使用患者级聚类自助重采样(1000次迭代)计算,其中患者聚类采用有放回抽样以考虑同一患者多次出院之间的相关性。缺失数值予以保留并补充缺失指示变量,敏感性分析评估了替代的缺失数据处理策略(补充材料1中的eMethods)。采用决策曲线分析和容量约束分析评估临床效用。对于时间特异性临床效用分析,PPV和NNT使用界标间隔特异性预测值计算。NNT估计为NNT = 1 / (PPV × RRR),其中PPV在模型选择的患者中计算,RRR为基于门诊随访与30天再入院之间关联的荟萃分析估计的假定相对风险降低(20%)。15,16 统计不确定性使用双侧95% CI总结。未进行正式假设检验,也未根据CI是否排除零值推断统计学显著性,因为分析侧重于预测性能、校准度和临床效用而非因果效应估计。95% CI用于描述估计值的精确度。分析在Python版本3.10.16(Python Software Foundation)中进行。
结果
研究队列与医院再入院模式
开发队列包括341 824名患者的617 841次出院(表1)。中位(IQR)年龄为65(50-76)岁,315 220次出院(51.0%)为女性患者。共有24 882次出院(4.0%)为黑人患者,11 962次(1.9%)为亚裔患者,557 836次(90.3%)为白人患者。总体30天再入院率为16.3%(95% CI,16.2%-16.5%)。再入院主要发生在出院后早期:7天内为7.6%(95% CI,7.5%-7.7%),14天内增至11.1%(95% CI,11.0%-11.2%),30天内为16.3%。总体而言,68 797次30天再入院(68.2%)发生在出院后14天内,而仅15 482次(15.4%)发生在第22天至第30天之间,表明再入院风险集中在出院后早期。
出院后各时间段的按时间结构再入院估计
在开发队列中,我们通过依次增加预设的临床领域(包括住院过程、生命体征、实验室结果和药物)来评估模型(补充材料1中的eTable 1)。纳入更多领域与区分度的增量提升相关(AUROC,基础模型为0.717,全模型为0.790)(补充材料1中的eTable 2)。后续分析基于全模型。区分度在不同时间跨度上相似,7天时AUROC为0.812(95% CI,0.810-0.814),30天时为0.796(95% CI,0.794-0.797),而AUPRC在7天时为0.483(95% CI,0.478-0.489),30天时为0.515(95% CI,0.511-0.520)。模型在不同时间跨度上校准良好,预测风险与观察到的发生率密切匹配(表2)。这些累积时间跨度分析描述了出院后30天期间的整体再入院风险,但未直接评估特定时机的随访决策。
在时间验证和地理验证中,结果总体一致,时间留出分析中略有衰减,不同医院站点间存在差异,反映了情境依赖的可迁移性(补充材料1中的eTable 3)。标志性区间特异性模型在出院后各区间显示出可接受的区分度;然而,这些模型能否支持特定时机的随访决策,通过标志性PPV和NNT分析进行了评估(表3;图2;补充材料1中的eTable 3)。
临床效用与运营分析
使用标志性区间特异性预测的决策曲线分析显示,在开发队列和外部队列中,在所显示的阈值概率范围内,与不治疗相比均具有正的净获益(图1)。在两个队列中,净获益在0至7天区间最大,在较晚的标志性区间较低,与第一周后区间特异性事件率较低相一致。
在容量受限分析中,累积时间跨度模型在较晚时间跨度显示较高的PPV,因为再入院事件在较长随访期内累积。在开发队列中5%干预容量下,累积PPV从7天时的58.5%增至30天时的74.3%,分别对应表观NNT为8.6和6.7。然而,当使用标志性分析评估区间特异性风险时,第7天之后的PPV较低。标志性PPV在0至7天为58.3%(95% CI,57.4%-59.1%),8至14天为16.0%(95% CI,15.5%-16.6%),15至21天为14.5%(95% CI,13.9%-15.0%),22至30天为12.9%(95% CI,12.4%-13.5%),假设相对风险降低20%,分别对应NNT为8.6、31.3、34.6和38.6(表3;图2)。
在各干预容量下,随着风险集中中被选中的比例增大,标志性PPV降低、NNT增加(表3;图2)。这一模式在外部队列中也可观察到,尽管绝对PPV低于开发队列,NNT高于开发队列(图2)。
与累积时间窗估计相比,界标分析中各特定间期的阳性预测值(PPV)在0至7天期间相似,但此后显著降低。这些发现表明,总体再入院风险与特定时间点的可干预性虽相关联但属于不同概念。不同干预能力和预测时间窗下的额外累积PPV结果见补充材料1中的eFigure 2。不同干预能力下捕获的界标再入院情况见补充材料1中的eFigure 3。不同干预能力下捕获的累积再入院情况及累积需治疗人数(NNT)估计见补充材料1中的eFigure 4。
分析方法的外部评估
外部队列包括138 099名患者的267 491次出院记录(补充材料1中的eTable 4)。中位(IQR)年龄为62(45-75)岁,141 883次出院(53.0%)为女性患者。共有39 455次出院(14.8%)为黑人患者,9539次(3.6%)为亚裔患者,179 728次(67.2%)为白人患者。30天再入院率为15.3%(95% CI,15.0%-15.5%)。
外部队列中累积模型的性能与开发队列大体相似,尽管在较早时间窗的区分度较低。7天时AUROC为0.746(95% CI,0.740-0.751),30天时为0.781(95% CI,0.778-0.784);7天时AUPRC为0.193(95% CI,0.185-0.202),30天时为0.436(95% CI,0.427-0.444)。校准良好,预测风险与观察发生率密切吻合(表2)。
外部界标间期特异性模型在出院后各间期显示出可接受的区分度。AUROC在0至7天为0.741,8至14天为0.756,15至21天为0.782,22至30天为0.766。时间特异性临床效用的模式与开发队列中观察到的相似(图2)。
预测变量域贡献
特征重要性分析显示,在开发队列和外部队列中,预测因子领域的结构保持一致。诊疗过渡变量、基线疾病负担和既往医疗利用贡献了最大的信号,而生理学和药物相关变量贡献的增量信息较为有限(补充材料1中的eTable 7)。外部队列分期消融领域中包含的变量列于补充材料1中的eTable 5,外部队列的序贯增强结果见补充材料1中的eTable 6。
与传统二元30天再入院预测的比较
作为基准,使用相同预测因子的传统二元30天再入院模型在开发队列中与30天累积时间结构模型相比达到了等效的区分度(两个模型的AUROC均为0.796;95% CI,0.794-0.797)。在外部队列中,二元模型的区分度低于30天累积时间结构模型(AUROC,0.755;95% CI,0.752-0.759 vs 0.781;95% CI,0.778-0.784)。这些发现提示,传统二元模型捕捉的是总体30天再入院风险,而时间结构模型还额外刻画了再入院风险在出院后期间发生的时间。二元模型的性能指标报告于补充材料1中的eTable 8。
讨论
在这项对开发队列617 841例出院和外部队列267 491例出院的分析中,大多数30天再入院发生在出院后前14天内。累积时间窗模型刻画了再入院风险在7天、14天、21天和30天内的累积方式,并显示在较晚时间窗的表观富集更高。然而,界标区间特异性分析显示,第7天之后的时间特异性阳性预测值(PPV)较为有限。综合来看,这些发现提示总体再入院风险和时间特异性可操作性是两个相关但不同的概念。单一的30天再入院估计值捕捉了总体风险,但掩盖了该风险发生的时间以及患者是否可被识别用于特定的出院后随访间期。
预测因子重要性的模式可能解释再入院风险时间分布及其临床效用的差异。在两个队列中,诊疗过渡变量(出院去向或地点)和基线疾病负担(既往医疗利用或合并症)是主要预测因子,而生理学和药物变量贡献较小。这些发现提示,出院时模型主要捕捉的是潜在脆弱性和照护背景,而非住院后的动态康复过程。这可能有助于解释为何累积时间窗模型能有效刻画总体再入院风险,而界标区间特异性分析在第7天之后显示的PPV较为有限。对于临床医生和卫生系统而言,关键问题不仅是哪些患者在30天内存在风险,还包括该风险何时最具可操作性。时间结构方法可能通过明确这一区分来帮助指导出院后规划。这些发现的因果意义应在未来研究中加以评估。
决策分析和容量受限的研究结果凸显了总体再入院风险与特定时间点随访决策之间的区别。标志性决策曲线分析显示,与不治疗相比,其具有正向净获益,支持按时间区间进行风险分层的潜在价值。然而,累积时间跨度分析显示,由于再入院事件在较长随访期内累积,较晚时间跨度的表观富集度更高。当评估临床相关的标志性时间区间时,第7天后的阳性预测值(PPV)仅为中等水平,且需治疗人数(NNT)更高。这些发现提示,当前基于出院信息的模型可能最适合识别出院后早期高风险患者,而针对较晚随访窗口可能需要根据出院后重新计算风险,而非仅依赖出院时可获得的信息。综合来看,这些发现提示基于出院信息的模型可以识别总体再入院风险,但可能无法以足够精确度预测较晚再入院的时间,从而指导随访安排。这一局限性可能反映了出院后因素日益增加的影响,而这些因素未被出院时可获得的信息完全捕捉。
考虑死亡的竞争风险可得出更贴近临床实践中患者轨迹的风险估计,从而增强我们研究结果的临床解读。尽管传统的二元30天模型提供了相似的总体区分度,但滚动时间跨度方法可提供关于风险发生时间的额外信息;需要标志性分析来评估特定时间预测是否能够支持随访安排。这些发现建立在既往研究基础之上,既往研究显示出院后再入院风险随时间变化,并在住院后数周内持续升高,其原因和识别模式不断演变。4,5 然而,大多数再入院预测工具和质量框架仍依赖于单一的30天风险估计。3 常用风险评分如住院时长、入院急性程度、合并症和急诊就诊(LACE)指数最初开发用于估计30天再入院风险,但在不同环境中仅提供中等区分度,且并非设计用于捕捉风险如何随时间演变。17,18 这些发现可能解释再入院干预措施效果不一的原因。尽管系统评价已证明总体上获益有限且不一致,但许多干预措施依赖于出院时进行的风险评估。15,19,20 对于较晚的出院后时间区间,中等水平的标志性PPV提示仅凭出院时信息可能不足以识别何时最需要干预。识别总体30天再入院高风险患者与识别干预可能最有用的时间区间之间的这种不匹配,可能导致了基于风险的再入院干预措施效果有限。
优势与局限性
本研究具有若干优势。它纳入了跨越多年、覆盖美国不同地区多家医院的大型当代队列,并在地理上不同的人群中进行了外部评估。分析整合了出院时可获得的一套广泛结构化特征,并明确考虑了死亡的竞争风险。重要的是,本研究将总体30天再入院风险与特定时间窗的可干预性区分开来,凸显了识别患者以进行特定出院后随访间期的挑战。
本研究也存在局限性。分析为回顾性,仅限于出院时可获得的结构化电子健康记录(EHR)数据,可能无法完全反映社会背景、照护者支持或出院准备情况。模型未纳入出院后信息(例如门诊就诊或临床记录),这些信息可能影响再入院风险轨迹。第7天之后各间期的再入院率较低,尽管区分度可接受,但限制了界标阳性预测值(PPV)。因此,界标模型可能无法提供足够精度来可靠地将患者分配至特定的后续随访窗口。未捕获至源卫生系统以外医院的再入院,可能导致事件漏判。尽管在独立数据集中进行了外部评估,仍需要在不同卫生系统中进一步验证。决策曲线和情景分析依赖于对干预效果的假设,不应被解释为因果治疗获益的估计。
结论
在这项预后研究中,开发队列包含617 841例出院,外部队列包含267 491例出院,采用滚动时域竞争风险方法进行再入院预测,表明再入院风险及其临床效用均在出院后随时间变化。单一的30天再入院估计捕获了总体风险,但掩盖了累积再入院风险与特定时间窗随访决策之间的区别。累积时域模型刻画了再入院风险在30天内如何累积,而界标间期特异性分析显示第一周之后PPV仅中等。这些发现提示,时间结构化的再入院建模可以阐明总体风险预测与特定时间窗可干预性之间的差异,但当前基于出院信息的模型可能尚无法可靠指导将患者分配至特定的出院后随访窗口。
参考来源
- Alkayali MZ, Fu Y, Castro JC, et al. Timing of 30-Day Hospital Readmission Risk and Its Implications for Clinical Utility. JAMA Netw Open. 2026. PMID: 42593794. doi:10.1001/jamanetworkopen.2026.28846
- 全文:PMC13474041(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13474041/
供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。