Современные возможности определения риска и предикторов госпитализации на основе данных медицинских информационных систем. Систематический обзор

Шепель Р. Н.; Демко В. В.; Гончаров М. В.; Лукьянов М. М.; Марцевич С. Ю.; Бернс С. А.; Драпкина О. М.

Статья

Современные возможности определения риска и предикторов госпитализации на основе данных медицинских информационных систем. Систематический обзор

Шепель Р. Н.,

Демко В. В.,

Гончаров М. В.,

Лукьянов М. М.,

Марцевич С. Ю.,

Бернс С. А.,

Драпкина О. М.

2025

https://doi.org/10.15829/1728-8800-2025-4694

Рост числа госпитализаций пациентов с хроническими неинфекционными заболеваниями остаётся одной из ключевых проблем систем здравоохранения. Значительная часть таких госпитализаций потенциально предотвратима при своевременном амбулаторном наблюдении и эффективной работе первичного звена. Прогностические модели, основанные на данных медицинских информационных систем (МИС) и электронных медицинских карт (ЭМК), позволяют идентифицировать пациентов с повышенным риском госпитализации и совершенствовать тактику их ведения. В статье систематизирован и обобщен международный опыт использования прогностических моделей оценки риска госпитализации, разработанных на основе данных МИС и ЭМК. Проведен систематический обзор публикаций, представленных в отечественных и зарубежных библиографических базах данных (Scopus, PubMed, BMC Health Services Research, BMJ Research, Google Scholar, Elibrary, Oxford Academic, Wiley Online Library) за период 1993-2023гг. В анализ включены исследования, в которых применялись данные ЭМК и МИС для разработки и/или валидации прогностических моделей риска госпитализации. Информация систематизирована по категориям предикторов: заболевания и коморбидные состояния, назначения лекарственных препаратов, взаимодействие с медицинскими организациями (МО), социально-демографические и лабораторные показатели. В окончательный анализ включены 14 исследований, описывающих 28 моделей прогнозирования риска госпитализации. В большинстве работ использовалась логистическая регрессия; в отдельных исследованиях применялись методы машинного обучения (градиентный бустинг, случайный лес, байесовские ансамблевые модели). Наибольшую прогностическую значимость имели категории "заболевания и коморбидные состояния" (42,3%), "назначения лекарственных препаратов" (23,6%) и "взаимодействие с МО" (19,8%). Включение временных характеристик (частота и давность госпитализаций, посещений МО первичной медико-санитарной помощи и проведения лабораторных исследований) повышало точность моделей. Прогностические модели, основанные на данных ЭМК и МИС, демонстрируют высокую дискриминационную способность и позволяют оценивать риск госпитализаций на уровне первичной медико-санитарной помощи. Применение методов машинного обучения в отдельных исследованиях показало возможность более глубокого анализа взаимосвязей между предикторами и повышение точности прогнозирования. Перспективным направлением является дальнейшая разработка, внешняя валидация и адаптация моделей на расширенных массивах данных ЭМК и МИС с целью их последующего использования при организации диспансерного наблюдения и профилактике хронических неинфекционных заболеваний.

Шепель Р. Н., Демко В. В., Гончаров М. В., Лукьянов М. М., Марцевич С. Ю., Бернс С. А., Драпкина О. М. Современные возможности определения риска и предикторов госпитализации на основе данных медицинских информационных систем. Систематический обзор. Кардиоваскулярная терапия и профилактика. 2025;24(12):4694. https://doi.org/10.15829/1728-8800-2025-4694

Цитирование

Список литературы

1. Драпкина О. М., Концевая А. В., Калинина А. М. и др. Коморбидность пациентов с хроническими неинфекционными заболеваниями в практике врача-терапевта. Евразийское руководство. Кардиоваскулярная терапия и профилактика. 2024;23(3):3996. doi:10.15829/1728-8800-2024-3996. EDN: AVZLPJ.

2. Sundmacher L, Fischbach D, Schuettig W, et al. Which hospitalisations are ambulatory care-sensitive, to what degree, and how could the rates be reduced? Results of a group consensus study in Germany. Health Policy. 2015;119(11):1415-23. doi:10.1016/j.healthpol.2015.08.007.

3. Малявин А. Г., Авксентьева М. В., Бабак С. Л. Медицинские и экономические последствия расширения программы лекарственного обеспечения пациентов с ХОБЛ в России. Терапия. 2019;5(5):36-44. doi:10.18565/therapy.2019.5.36-44. EDN: VLVVPJ.

4. Klunder JH, Panneman SL, Wallace E, et al. Prediction models for the prediction of unplanned hospital admissions in community-dwelling older adults: A systematic review. PLoS One. 2022;17(9):e0275116. doi:10.1371/journal.pone.0275116.

5. Шепель Р. Н., Драпкина О. М., Концевая А. В. и др. Заболевания/состояния, чувствительные к амбулаторному лечению взрослых пациентов. Систематический обзор. Кардиоваскулярная терапия и профилактика. 2024;23(9): 4128. doi:10.15829/1728-8800-2024-4128. EDN: MAIAVK.

6. Castro Vargas S, Bauhoff S. Evaluating health systems through ambulatory care-sensitive conditions. Rev Panam Salud Publica. 2025;49:e75. doi:10.26633/RPSP.2025.75.

7. Saturno-Hernández P, Moreno-Zegbe E, Poblano-Verastegui O, et al. Hospital care direct costs due to ambulatory care sensitive conditions related to diabetes mellitus in the Mexican public healthcare system. BMC Health Serv Res. 2024;24(1):507. doi:10.1186/s12913-024-10937-w.

8. Somé NH, Devlin RA, Mehta N. Primary care payment models and avoidable hospitalizations in Ontario, Canada: A multivalued treatment effects analysis. Health Econ. 2024;33(10):2288-305. doi:10.1002/hec.4872.

9. Лукьянов М. М., Гомова Т. А., Савищева А. А. и др. РегиСтр мнОгопроФИльного медицинского ценТра (СОФИТ): основные задачи, опыт создания и первые результаты. Профилактическая медицина. 2023;26(6):46-54. doi:10.17116/profmed20232606146.

10. Марцевич С. Ю., Кутишенко Н. П., Лукина Ю. В. и др. Полифармация: определение, влияние на исходы, необходимость коррекции. Рациональная Фармакотерапия в Кардиологии. 2023; 19(3):254-63. doi:10.20996/1819-6446-2023-2924.

11. Долгушева Ю. А., Ефремова Ю. Е., Кудрина В. Г. и др. Риски полипрагмазии у пожилых пациентов с сердечно-сосудистыми заболеваниями. РМЖ. Медицинское обозрение. 2025;9(1):77-84. doi:10.32364/2587-6821-2025-9-1-10.

12. Oddy C, Zhang J, Morley J. Promising algorithms to perilous applications: a systematic review of risk stratification tools for predicting healthcare utilisation. BMJ Health Care Inform. 2024;31(1):e101065. doi:10.1136/bmjhci-2024-101065.

13. Шепель Р. Н., Демко В. В., Гончаров М. В. и др. Анализ предикторов, используемых в опросниках или анкетировании пациентов, с позиции прогностической эффективности в отношении риска госпитализации. Кардиоваскулярная терапия и профилактика. 2024;23(5): 4026. doi:10.15829/1728-8800-2024-4026. EDN: FRKOHO.

14. Raldow AC, Raja N, Villaflores CW, et al. Proactive care management of AI-identified at-risk patients decreases preventable admissions. Am J Manag Care. 2024;30(11):548-54. doi:10.37765/ajmc.2024.89625.

15. Golinelli D, Pecoraro V, Tedesco D, et al. Population risk stratification tools and interventions for chronic disease management in primary care: a systematic literature review. BMC Health Serv Res. 2025;25;526. doi:10.1186/s12913-025-12690-0.

16. Андрейченко А. Е., Ермак А. Д., Гаврилов Д. В. и др. Разработка и валидация моделей машинного обучения, прогнозирующих госпитализации пациентов с артериальной гипертензией в течение 12 месяцев. Кардиоваскулярная терапия и профилактика. 2025; 24(1):4130. doi:10.15829/1728-8800-2025-4130. EDN: YXVRIN.

17. Андрейченко А. Е., Ермак А. Д., Гаврилов Д. В. и др. Разработка и валидация моделей машинного обучения, прогнозирующих риск госпитализации пациентов с сахарным диабетом в течение последующих 12 месяцев. Сахарный диабет. 2024;27(2):142-57. doi:10.14341/DM13065.

18. Рукодайный О. В., Голощапов-Аксенов Р. С., Шабуров Р. И. и др. Опыт применения алгоритма принятия клинико-организационного решения на этапе первичной медико-санитарной помощи при сердечно-сосудистых заболеваниях у пациентов старших возрастных групп. Комплексные проблемы сердечно-сосудистых заболеваний. 2022;11(2):85-97. doi:10.17802/2306-1278-2022-11-2-85-97.

19. Page MJ, McKenzie JE, Bossuyt PM, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372:n71. doi:10.1136/bmj.n71.

20. Hippisley-Cox J, Coupland C. Predicting risk of emergency admission to hospital using primary care data: derivation and validation of QAdmissions score. BMJ Open. 2013;3(8):e003482. doi:10.1136/bmjopen-2013-003482.

21. Rahimian F, Salimi-Khorshidi G, Payberah AH, et al. Predicting the risk of emergency admission with machine learning: development and validation using linked electronic health records. PLoS Medicine. 2018;15(11):e1002695. doi:10.1371/journal.pmed.1002695.

22. Riley RD, Ensor J, Snell KI, et al. External validation of clinical prediction models using big datasets from e-health records or IPD meta-analysis: opportunities and challenges. BMJ. 2016; 353:i3140. doi:10.1136/bmj.i3140.

23. Donnan PT, Dorward DW, Mutch B, et al. Development and validation of a model for predicting emergency admissions over the next year (PEONY): a UK historical cohort study. Arch Intern Med. 2008;168(13):1416-22. doi:10.1001/archinte.168.13.1416.

24. Tomlin AM, Lloyd HS, Tilyard MW, et al. Risk stratification of New Zealand general practice patients for emergency admissions in the next year: adapting the PEONY model for use in New Zealand. J Prim Health Care. 2016;8(3):227-37. doi:10.1071/HC15000.

25. Chenore T, Pereira Gray DJ, Forrer J, et al. Emergency hospital admissions for the elderly: insights from the Devon Predictive Model. J Public Health (Oxford). 2013;35(4):616-23. doi:10.1093/pubmed/fdt009.

26. Mesgarpour M, Chaussalet T, Chahed S. Ensemble Risk Model of Emergency Readmissions (ERMER). Int J Med Inform. 2017;103:65-77. doi:10.1016/j.ijmedinf.2017.04.010.

27. Gao J, Moran E, Li YF, et al. Predicting potentially avoidable hospitalizations. Med Care. 2014;52(2):164-71. doi:10.1097/MLR.0000000000000041.

28. Hutchings HA, Evans BA, Fitzsimmons D, et al. Predictive risk stratification model: a progressive cluster-randomised trial in chronic conditions management (PRISMATIC) research protocol. Trials. 2013;14:301. doi:10.1186/1745-6215-14-301.

29. Lemke KW, Weiner JP, Clark JM. Development and validation of a model for predicting inpatient hospitalization. Med Care. 2012;50(2):131-9. doi:10.1097/MLR.0b013e3182353ceb.

30. Wang L, Porter B, Maynard C, et al. Predicting risk of hospitalization or death among patients receiving primary care in the Veterans Health Administration. Med Care. 2013;51(4):368-73. doi:10.1097/MLR.0b013e31827da95a.

31. Benthien KS, Jacobsen RK, Hjarnaa L, et al. Predicting individual risk of emergency hospital admissions — a retrospective validation study. Risk Manag Healthc Policy. 2021;14:3865-72. doi:10.2147/RMHP.S314588.

32. Crane SJ, Tung EE, Hanson GJ, et al. Use of an electronic administrative database to identify older community-dwelling adults at high risk for hospitalization or emergency department visits: the Elders Risk Assessment Index. BMC Health Serv Res. 2010;10:338. doi:10.1186/1472-6963-10-338.

33. Ларина В. Н., Карпенко Д. Г., Михайлусова М. П. Факторы риска, ассоциированные с госпитализациями по сердечно-сосудистым причинам, у амбулаторных пациентов в возрасте 60 лет и старше с хронической сердечной недостаточностью. Терапия. 2020;6(8):47-54. doi:10.18565/therapy.2020.8.47-54. EDN: VAFJEM.

34. Guo Y, Wang Y, Li X, et al. Optimal Thromboprophylaxis in Elderly Chinese Patients with Atrial Fibrillation (ChiOTEAF) registry: protocol for a prospective, observational nationwide cohort study. BMJ Open 2018;8:e020191. doi:10.1136/bmjopen-2017-020191.

35. Mannucci PM, Nobili A. Multimorbidity and polypharmacy in the elderly: lessons from REPOSI. Intern Emerg Med. 2014;9(7):723-34. doi:10.1007/s11739-014-1124-1.

36. Billings J, Georghiou T, Blunt I. Choosing a model to predict hospital admission: an observational study of new variants of predictive models for case finding. BMJ Open. 2013;3(8): e003352. doi:10.1136/bmjopen-2013-003352.

37. Nunes AL, Lisboa T, da Rosa BN. Impact of artificial intelligence on hospital admission prediction and flow optimization in health services: a systematic review. Int J Med Inform. 2025;204:106057. doi:10.1016/j.ijmedinf.2025.106057.

38. Zhang X, Wang H, Yu G. Machine learning-driven prediction of hospital admissions using gradient boosting and GPT-2. Digit Health. 2025;11:20552076251331319. doi:10.1177/20552076251331319.

39. Sharda M, Sharma S, Raikar S, et al. The Role of Machine Learning in Predicting Hospital Readmissions Among General Internal Medicine Patients: A Systematic Review. Cureus. 2025;17(5):e84761. doi:10.7759/cureus.84761.

Документы

Источник

Информация

Автор

Шепель Р. Н. ФГБУ "Национальный медицинский исследовательский центр терапии и профилактической медицины" Минздрава России; ФГБОУ ВО "Российский университет медицины" Минздрава России
Демко В. В. ФГБУ "Национальный медицинский исследовательский центр терапии и профилактической медицины" Минздрава России
Гончаров М. В. ФГБУ "Национальный медицинский исследовательский центр терапии и профилактической медицины" Минздрава России
Лукьянов М. М. ФГБУ "Национальный медицинский исследовательский центр терапии и профилактической медицины" Минздрава России
Марцевич С. Ю. ФГБУ "Национальный медицинский исследовательский центр терапии и профилактической медицины" Минздрава России
Бернс С. А. ФГБУ "Национальный медицинский исследовательский центр терапии и профилактической медицины" Минздрава России
Драпкина О. М. ФГБУ "Национальный медицинский исследовательский центр терапии и профилактической медицины" Минздрава России; ФГБОУ ВО "Российский университет медицины" Минздрава России

Название журнала

Кардиоваскулярная терапия и профилактика

Ключевые слова

Статья