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.