ABSTRACT

Inadequate patient safety is a serious issue in current medical practice. Medical errors cause adverse events (AEs) for patients and lead to premature deaths, unintended complications, prolonged hospital stays, and higher medical costs. Although the importance of AE prediction and prevention is well recognized in the information systems literature, there is a dearth of research on modeling and predicting AEs caused by medical errors. Following the design science research paradigm, this study describes the search, design, and evaluation of a novel in-hospital AE prediction model, called Stochastic Autoregressions for Latent Trajectories (SALT). The proposed model uniquely integrates generalized linear mixed model with multitask learning and stochastic time-series processes. Results from our empirical evaluation show that SALT outperforms prior state-of-the-art techniques in predicting AEs during patients’ hospital stays. Through a simulation, we further demonstrate significant cost savings potential when hospitals implement and integrate SALT in their inpatient care. This study contributes to the design science literature by formalizing the in-hospital AE prediction problem, on the one hand, and developing a novel graphical model to address the prediction problem, on the other. For healthcare practitioners and administrators, our predictive analytics approach unveils important insights to minimize AEs.

摘要

患者安全不足是当前医疗实践中的一个严重问题。医疗差错会给患者带来不良事件 (AE)，并导致过早死亡、意外并发症、住院时间延长和医疗费用增加。尽管 AE 预测和预防的重要性在信息系统文献中得到了广泛认可，但缺乏对由医疗错误引起的 AE 进行建模和预测的研究。本研究遵循设计科学研究范式，描述了一种称为潜在轨迹随机自回归 (SALT) 的新型院内 AE 预测模型的搜索、设计和评估。所提出的模型独特地将广义线性混合模型与多任务学习和随机时间序列过程相结合。我们的实证评估结果表明，SALT 在预测患者住院期间的 AE 方面优于先前的最先进技术。通过模拟，我们进一步证明了当医院在其住院护理中实施和整合 SALT 时，显着的成本节约潜力。本研究一方面将院内 AE 预测问题形式化，另一方面开发了一种新颖的图形模型来解决预测问题，从而为设计科学文献做出了贡献。对于医疗保健从业者和管理人员，我们的预测分析方法揭示了减少 AE 的重要见解。当医院在其住院护理中实施和整合 SALT 时，我们进一步证明了显着的成本节约潜力。本研究一方面将院内 AE 预测问题形式化，另一方面开发了一种新颖的图形模型来解决预测问题，从而为设计科学文献做出了贡献。对于医疗保健从业者和管理人员，我们的预测分析方法揭示了减少 AE 的重要见解。当医院在其住院护理中实施和整合 SALT 时，我们进一步证明了显着的成本节约潜力。本研究一方面将院内 AE 预测问题形式化，另一方面开发了一种新颖的图形模型来解决预测问题，从而为设计科学文献做出了贡献。对于医疗保健从业者和管理人员，我们的预测分析方法揭示了减少 AE 的重要见解。