Prædiktionsalgoritme til borgere med KOL

Abstract

Resumé Baggrund Kronisk Obstruktiv Lungesygdom (KOL) er forbundet med øgede samfundsøkonomiske omkostninger, hvor hospitalsindlæggelser udgør den største omkostning. Derfor tilbydes telemedicin til alle borgere med KOL som en løsning til at forebygge hospitalsindlæggelser. Dog viser studier, at dette ikke gavner samfundsøkonomien. Flere studier foreslår anvendelsen af prædiktionsalgoritmer som en mulighed for at identificere hvilke borgere, der kan være med til at nedbringe samfundsøkonomiske omkostninger ved anvendelse af telemedicin. Metode Der udarbejdes en overordnet gruppe og syv stratificerede grupper, hvor der udvikles prædiktionsalgoritmer baseret på både Multipel Lineær Regression (MLR) og Random Forest Regression (RFR). Prædiktionsalgoritmerne skal prædiktere hvilke borgere der er i risiko for flest indlæggelsedage, da omkostningerne forbundet med en hospitalsindlæggelse afhænger af indlæggelsestiden. Hver gruppes datasæt præprocesseres og inddeles i et trænings- og testsæt. Prædiktionsalgoritmerne valideres ved en korrelationsanalyse, hvor der beregnes en determinationskoefficient. Prædiktionsevnen for de bedste prædiktionsalgoritmer illustreres i scatterplots. Resultater Prædiktionsevnen for prædiktionsalgoritmerne baseret på både MLR og RFR er ikke acceptabel ift. at prædiktere, hvilke borgere der er i risiko for flest indlæggelsesdage. Den højeste determinationskoefficient ved MLR er 0,228, hvor den ved RFR er 0,288. Konklusion Resultaterne i specialet var ikke acceptabel, hverken i den overordnede gruppe eller de stratificerede grupper, hvorfor de udviklede prædiktionsalgoritmer ikke kan anvendes til at prædiktere, hvilke borgere der er i risiko for flest indlæggelsedage.

Summary Background Chronic Obstructive Pulmonary Disease (COPD) is associated with increased socioeconomic costs, with hospitalizations being the largest. Therefore, telemedicine is offered to all citizens with COPD as a solution to prevent hospitalizations. However, studies show that this does not benefit the economy. Several studies suggest the use of prediction algorithms as an opportunity to identify which citizens can help reduce the socio-economic costs by using telemedicine. Method An overall group and 10 stratified groups are prepared, where prediction algorithms are developed based on both Multiple Linear Regression (MLR) and Random Forest Regression (RFR). The algorithms must predict which citizens are at risk for the most bed days, as the costs associated with a hospitalization depend on the amount of bed days. Each group's data set is preprocessed and divided into a training and test set. The prediction algorithms are validated by a correlation analysis, where a coefficient of determination is calculated. The predictive power of the best prediction algorithms is illustrated in scatterplots. Results The predictability of the prediction algorithms based on both MLR and RFR is not acceptable in relation to predicting which citizens are at risk for the most bed days. The highest coefficient of determination at MLR is 0.228, where at RFR it is 0.288. Conclusion The results in the thesis were not acceptable, neither in the overall group nor the stratified groups, so the developed prediction algorithms cannot be used to predict which citizens are at risk for the most hospitalization days.

A master thesis from Aalborg University

Prædiktionsalgoritme til borgere med KOL

[Predictive algorithm for citizens with COPD]