想像一下，走進醫院，卻對即將面臨的費用一無所知。但如果機器能夠以驚人的準確度預測這些費用呢？一項最新研究在開發基於人工智慧的可解釋機器學習模型方面取得了重大進展，這些模型能夠預測心血管疾病患者的住院時間和治療費用。
## 全球健康議題
心血管疾病 (CVD) 是全球首要死因，對醫療保健系統造成巨大的經濟負擔。在住院的心血管疾病患者中，血管成形術和冠狀動脈繞道手術 (CABG) 等手術會導致住院時間延長和治療費用增加。因此，迫切需要強大的預測工具來支援臨床和管理決策。
## 一項意義重大的研究
這項應用型回顧性預測建模研究於 2024 年在伊朗德黑蘭一家心血管專科診所進行。研究分析了 2022 年至 2023 年間接受血管成形術或 CABG 的 7,685 名成年住院患者的數據。本研究開發了八種基於回歸的機器學習演算法，用於預測四項結果：住院時長 (LOS)、患者自付費用 (OOP)、保險公司支付金額和總治療費用。
研究採用了 XGBoost 模型，這是一款高效能模型，在所有預測任務中均表現優異。在測試集上，XGBoost 模型在預測住院時間、患者自付費用、保險公司支付金額和總治療費用方面分別取得了 0.7802、0.8473、0.8946 和 0.6437 的 R² 值。 SHAP 分析表明，住院時長、幹預類型、年齡和共病是關鍵預測因子。
## 臨床可實施的解決方案
本研究提出了一個全面、可解釋且臨床可實施的機器學習框架，用於預測心血管疾病患者的住院時間和治療費用。透過將高效能模型與可解釋的人工智慧和實際應用相結合，該方法為優化醫院資源規劃和患者預後提供了一種可擴展的解決方案。
未來的研究應著重於在多家醫院和醫療保健系統中對模型進行外部驗證，以提高其普適性。此外，整合更廣泛的臨床和社會經濟變數可能進一步提高預測效能，並擴大所開發的決策支援工具的適用範圍。
