Udvikling af modeller til forudsigelse af 90 dages risiko for forebyggelige indlæggelser blandt hjemmeplejemodtagere og plejehjemsbeboere i Københavns Kommune

Denne rapport omhandler udvikling af prædiktionsmodeller til forudsigelse af 90 dages risiko for indlæggelse med forebyggelige indlæggelser for hjemmeplejemodtagere og plejehjemsbeboere i Københavns Kommune. Motivationen for at forudsige borgeres 90 dages risiko for indlæggelse er at kunne koncentrere forebyggelsesressourcer på borgere med størst risiko og dermed reducere udgifter til indlæggelse og højne borgernes livskvalitet ved at forebygge sygdom.

De forebyggelige indlæggelser som defineret af Sundheds- og Ældreministeriet er: nedre luftvejssygdomme, knoglebrud, blærebetændelse, dehydrering, forstoppelse, ernæringsbetinget anæmi, gastroenteroritis, sociale og plejemæssige forhold. Der er undersøgt sammenhænge mellem forbyggelige indlæggelser og offentlige registerdata (Danmarks Statistik, landspatientregisteret, kommunale data) gennem datavisualiseringer, sparring med sundhedsfagligt personale i den primære sundhedspleje og ved afprøvning af statistiske- og machine learning algoritmer.

Der er forsøgt udviklet 90 dages prædiktionsmodeller for alle ni forebyggelige indlæggelser for hjemmeplejemodtagere og plejehjemsbeboere. Hovedkonklusionen er at kun modellen til forudsigelse af indlæggelse med nedre luftvejssygdom blandt hjemmeplejemodtagere vurderes at have tilstrækkelig høj forudsigelsesevne til at være praktisk brugbar.

De mest betydningsfulde forklarende variable i modellen for nedre luftvejssygdom havde at gøre med borgerens indlæggelseshistorik. Disse forklarende variable kommer fra landspatientregisteret, som på nuværende tidspunkt ikke er tilgængeligt for Københavns Kommune. Den begrænsning gør at modellen for nuværende, ikke kan implementeres og anvendes som beslutningstøttende værktøj i Københavns Kommune.

Rapporten som helhed demonstrerer hvordan indlæggelsesmodeller kan udvikles fra målgruppedefinition til generering af forklarende variable og modeltræning.