基于Super Learner的低风险病种患者出院情况预测模型构建与验证

庄元; 赵成英

沈阳工业大学学报 ›› 2026, Vol. 48 ›› Issue (5) : 107 -115.

庄元, 赵成英

作者信息 +

Author information +

文章历史 +

摘要

【目的】随着我国医保支付改革持续落地深化，低风险病种病死率已成为三级公立医院医疗质量安全评审的核心量化指标，也是医疗机构精细化运营管理的难点。传统依靠人工经验开展高危死亡病例筛查效率偏低、主观性较强，难以实现低风险病例事前预警。本文通过建立Super Learner集成模型，提高了对低风险病种患者出院结局的预测精度和可解释性，为加强医院对低风险病种死亡管理提供新的方法，模型可助力临床个体诊疗优化，合理调配医疗资源，降低不必要医疗损耗。【方法】本文以某三甲医院2025年疾病诊断相关分组(diagnosis related groups, DRG)低风险病种病案数据为研究对象，依据115种低风险病种目录筛选有效样本37 973条，其中低风险病种患者出院情况包括治愈类33 829条，未愈类4 103条，死亡类41条。对原始病案数据完成分类变量编码、连续变量标准化预处理，采用Pearson相关系数法剔除冗余特征，保留关联性较强的关键变量，以6种机器学习算法构建集成模型学习器，通过5折交叉验证与超参数优化构建Super Learner集成模型。采用曲线下面积(area under curve, AUC)、准确率、灵敏度、特异性、精确率等指标，结合受试者工作特征(receiver operating characteristic, ROC)曲线、校准曲线、决策曲线分析(decision curve analysis, DCA)评估模型性能，并利用沙普利可加性解释(SHapley additive explanations, SHAP)方法进行可解释性分析。【结果】Super Learner集成模型在验证集上表现最优，AUC值为0.991 3,准确率为0.989 6,灵敏度为0.791 9,特异性为0.986 2,精确率为0.978 3,综合性能显著优于单一模型。可视化分析显示该模型判别能力、预测校准度与临床净获益均为最佳。SHAP分析表明，病案首页数据中是否首次住院、是否安排手术、是否有出院31天内再入院计划是影响低风险病种患者死亡的三大关键因素，分析结果符合临床规律。【结论】该模型预测精度高、稳定性好，所用方法与特征体系具有良好的通用性与参考价值，可为临床早期干预、医疗质量管控提供可借鉴、可复制的方法，对推动低风险病种诊疗管理向智能化、精准化发展具有一定的应用价值。