Interpretable Machine Learning für finanzielle Risikostratifizierung in der kolorektalen Chirurgie unter DRG-Entgelt
Von KI ausgewählt und zusammengefasst
Worum es geht
Maschinelles Lernen zur Vorhersage von DRG-bedingtem finanziellem Risiko bei kolorektalen Krebsoperationen mit Integration in Point-of-Care-Entscheidungsunterstützung.
Ergebnis
Random-Forest-Modell erreichte AUROC 0,852 im Derivationscohort (n=2081) und 38,4% Patienten überschritten DRG-Benchmark. SHAP-Analyse identifizierte chirurgischer Zugang, postoperative Komplikationen, Liegedauer und Komorbiditätslast als Haupttreiber. Web-basiertes Tool zur individualisierten Risikovorhersage wurde prospektiv evaluiert (n=12 Patienten), Kalibrierungsplot und Entscheidungskurve zeigten klinischen Nutzen.
Übertragbarkeit auf Deutschland
China, aber DRG-Finanzierung vergleichbar mit deutschen Pauschalsystemen, einsatzbar zur Ressourcenplanung.
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.