摘要
目的： 描述为马里兰州联邦医疗保险受益人开发的大规模严重2型糖尿病并发症（DC）预测模型的操作流程和性能表现。
研究设计： 回顾性纵向多变量回归分析。
方法： 利用2021年3月至2024年7月的联邦医疗保险按服务项目收费（FFS）索赔数据，我们创建了一个包含219个候选风险因素、涵盖12,611,063人-月的分析数据集。采用多变量离散时间生存模型评估风险因素与未来因严重糖尿病并发症住院风险之间的关系。通过逐步变量选择法仅保留具有统计学显著性的风险因素，将训练系数应用于最近一个月的数据，生成糖尿病并发症风险评分。2024年6月7日，发布了346,614名个体的风险评分。使用评分发布后一个月内的实际事件评估评分的预测性能，并与分层条件类别（HCC）评分的性能进行比较。
结果： 截至2024年4月，模型保留了95个显著风险因素。平均风险评分为0.0124，利用率和基于状况的风险因素主要构成了前15个风险因素。2024年6月的风险评分对真实事件具有很强的预测能力：糖尿病并发症风险评分最高的10%人群占随后一个月内严重糖尿病并发症事件的56.9%。这显著优于HCC评分，后者在同一时期仅占真实事件的37.5%。
结论： 基于行政索赔的风险预测模型能够预测马里兰州联邦医疗保险按服务项目收费人群的严重糖尿病并发症事件。
《美国管理式医疗杂志》。2026;32(3):e66-e70。
要点
糖尿病代价高昂且普遍存在，影响着美国九分之一的人群。马里兰州已在其全州综合健康改善战略中将糖尿病护理列为优先事项，在本研究中，我们记录了一个目前正在为马里兰州联邦医疗保险按服务项目收费受益人投入使用的严重糖尿病并发症预测模型的开发和性能。
- 该预测模型基于行政索赔和公开可用的社会健康决定因素数据。
- 该模型具有强大的预测性能，凸显了将此类模型纳入公共卫生举措的潜在价值。
- 该模型优于分层条件类别评分，后者是一种更通用、广泛可用的风险指标。
引言
糖尿病既普遍又代价高昂。糖尿病影响着美国九分之一的人群，据估计，截至2021年，美国有3810万成年人患有糖尿病，其中23%未被确诊。此外，2022年，糖尿病的估计总成本为4130亿美元，包括3070亿美元的直接医疗成本和1060亿美元的间接成本。先前的研究数据表明，如果管理不善，糖尿病可能导致严重的并发症，如周围神经病变、肾病、视网膜病变和大血管并发症。
许多糖尿病并发症（DC）的一个重要方面是，它们在理论上是可以预防的。可预防的状况是指“通过及时有效的门诊护理，可以通过预防疾病或状况的发生、控制急性发作性疾病或状况，或管理慢性疾病或状况来帮助降低住院风险的状况”。如果糖尿病患者在门诊环境中得到适当和及时的护理，并遵守推荐的治疗方案，患者发展并发症的机会应该最小化。然而，在现实中，糖尿病诊断不足，而确诊的患者通常会出现需要住院治疗的并发症；其潜在驱动因素包括有限的财务资源、健康素养和就医机会。初级保健在糖尿病护理中发挥着核心作用，初级保健提供者通常作为管理患者治疗方案和监测其发生严重并发症风险的一线资源。这使得初级保健环境成为旨在改善糖尿病患者健康结局的干预措施的理想接触点。
作为马里兰州2021年至2024年期间实施的“全州综合健康改善战略”的一部分，该州旨在解决与糖尿病相关的健康需求。马里兰州初级保健项目（MDPCP）是马里兰州总医疗成本模式的关键要素，通过为社区居住的联邦医疗保险按服务项目收费（FFS）人群使用精准事件风险模型，支持提供先进的初级保健。其中一个模型评估了未来一个月内发生2型糖尿病严重并发症的风险。参与机构可以通过该州的健康信息交换系统——切萨皮克区域患者信息系统（CRISP），获取其所有联邦医疗保险按服务项目收费患者的这一风险评分，以及驱动每位患者风险水平的主要风险因素。有了这些信息，护理管理者和提供者可以识别有严重糖尿病并发症事件风险的患者，并在理论上在这些并发症发生之前主动进行干预。重要的是，这些风险评分旨在支持而非取代提供者在做出临床决策时的经验和判断。自2022年10月以来，该预测模型已每月为约350,000名联邦医疗保险按服务项目收费受益人投入生产。
值得注意的是，尽管存在其他与糖尿病相关的预测模型，但据我们所知，这是首个为大规模公共保险人群投入生产的此类模型。本研究描述了该模型的开发和性能。我们相信，其他州可以受益于这个基于常用行政数据的精准医疗应用案例。
方法
糖尿病并发症事件风险评分的开发和验证分三个不同的步骤进行：训练、评分和评估。模型训练每季度进行一次，基于归属于参与MDPCP的初级保健机构的个人35个月的联邦医疗保险按服务项目收费A、B和D部分索赔数据。这些索赔数据被转换为219个人-月风险因素，然后用于预测下一个月与2型糖尿病严重并发症相关的急诊科（ED）就诊和住院情况。这些风险因素基于广泛的文献回顾，包括人口统计学因素、环境社会健康决定因素、基于利用率和状况的因素以及基于药房利用率的因素。有关风险因素的完整列表，请参见电子附录表1（电子附录可在ajmc.com获取）。
模型的结果是一个二元变量，指示受益人是否在下一个月发生了严重的糖尿病并发症事件，该变量基于糖尿病并发症严重指数（DCSI）定义的严重并发症，该指数包括视网膜病变、肾病、脑血管并发症、心血管并发症、外周血管疾病和代谢并发症。传统的DCSI包括索赔数据和实验室数据来衡量糖尿病并发症的严重程度。然而，我们的预测模型使用的是不包括实验室结果的行政数据。先前的研究已经验证了仅使用《国际疾病分类第九版》或《国际疾病分类第十版》索赔数据来衡量糖尿病并发症严重程度。
我们使用一个在分析人-月数据集中80%样本上训练的离散时间生存模型来估计每个风险因素的系数。在模型训练期间，我们采用了逐步变量选择方法，以便只保留具有统计学显著性的风险因素。生产过程使用4个独立的模型来解释某些受益人信息不完整的情况，但本研究重点关注主要规范，即针对拥有至少12个月索赔历史和有效地理标识符的个体的模型。
风险评分每月生成一次。使用与模型训练阶段相同的定义，我们为最近一个月的数据创建风险因素，并应用训练阶段最新的可用系数集，以生成受益人级别的风险评分。然后，这些风险评分通过马里兰州的健康信息交换系统CRISP发送给初级保健机构。参与MDPCP的机构定期接受有关如何访问糖尿病并发症评分并将其纳入临床工作流程的培训。通过CRISP，初级保健提供者和护理管理者可以访问在其机构就诊的联邦医疗保险按服务项目收费受益人的风险评分。方法和过程在其他地方已有更详细的描述。
最后，为了评估我们预测模型的性能，我们使用集中曲线评估了预测价值。该曲线以图形方式显示了按风险水平降序排列的结果事件的累积份额——在本例中，是因严重糖尿病并发症导致的急诊科就诊或住院。集中曲线是适用于执行风险排序而非风险分类的模型的性能指标，而对于风险分类，通常使用曲线下面积性能指标。虽然这可以在搁置样本中计算，但为了本研究，我们在生产环境中通过将风险评分与随后一个月的实际严重糖尿病并发症事件相关联来计算。
作为糖尿病并发症事件模型性能的额外基准，我们将糖尿病并发症事件模型的性能与广泛可用的风险指标——CMS分层条件类别（HCC）评分进行了比较。HCC评分是作为联邦医疗保险优势计划参与者的按人头付费风险调整方法而开发的，旨在索引一般的健康需求和未来的医疗保健成本。每个受益人的HCC评分由CMS提供，并在与糖尿病并发症事件模型风险评分相同的CRISP报告套件中呈现，因此提供者可以同时访问两种风险评分。HCC评分每季度计算和报告一次，使用索赔数据的滚动12个月回顾期。为了允许足够的索赔结算期，从回顾期结束到评分计算和报告供使用之间有1年的间隔。在我们的比较中，我们使用了2024年4月提供的HCC评分。
对于2024年4月进行的模型训练，分析数据集包含12,611,063人-月观察值。训练期间生成的系数用于创建2024年6月7日发布的346,614名个体的评分。我们根据2024年6月8日至2024年7月7日期间的实际事件评估了模型性能。这项工作免于机构审查委员会的审查，因为它符合豁免4的标准，涉及在受健康保险流通与责任法案监管的“医疗保健运营”、“研究”或“公共卫生活动和目的”下使用可识别健康信息时的二次使用，并且对参与者没有风险或风险极小。风险评分使用SAS 9.4计算，本研究的分析使用Stata 18进行。
结果
糖尿病并发症事件模型正常收敛，219个潜在风险因素中有95个被认为具有统计学显著性，因此被保留。表1显示了2024年4月模型训练中具有最高比值比的风险因素。首要预测因子基于先前住院的结果，其次是其他基于利用率和诊断的风险因素。完整结果见电子附录表2。
所有受益人的平均风险评分为0.0124，代表下一个月发生严重糖尿病并发症事件的近似概率为1.24%。这与其在用于评估模型性能的月份期间经历糖尿病并发症事件的实际受益人百分比一致。按人口统计学分组划分的风险评分汇总统计见表2。平均而言，男性、黑人和老年受益人的风险评分更高。正如预期，考虑到糖尿病并发症事件在给定月份的发生频率较低，绝对风险水平较高的受益人相对较少。大约2%的受益人的风险评分大于0.1，表明下一个月发生严重糖尿病并发症事件的可能性大于10%，低于0.5%的受益人的风险评分大于0.5。
评估阶段显示了模型强大的预测性能。在2024年6月7日发布风险评分后，我们使用行政索赔数据来确定随后一个月内发生的实际严重糖尿病并发症事件，以分析模型在时间上不同的数据中的预测性能。至关重要的是，这些事件既未用于模型训练，也未用于评分计算；因此，这量化了模型在生产环境中的性能。我们评估了2024年6月糖尿病并发症事件模型风险评分较高的个体是否比随机预期所占比例更大，在随后一个月内占据了更大比例的真实糖尿病并发症事件。
我们发现，糖尿病并发症事件的预测模型在绝对值和相对于HCC评分方面都表现良好，HCC评分是一种广泛使用的风险度量，旨在索引一般健康需求和未来的医疗保健成本。在图中，我们绘制了2024年6月糖尿病并发症事件模型风险评分和2024年4月HCC评分的集中曲线。实线代表糖尿病并发症事件模型风险评分的性能，虚线蓝线代表同一时期CMS HCC评分的性能。在2024年6月8日至2024年7月7日的评估期间，样本中的受益人共发生了4010次糖尿病并发症事件。由糖尿病并发症事件模型风险评分识别出的最高风险前10%个体占观察到的糖尿病并发症事件的2283次，前20%占2987次。HCC评分在预测糖尿病并发症事件方面表现不如糖尿病并发症事件模型评分：由HCC评分定义的最高风险前10%个体占真实糖尿病并发症事件的1503次，前20%占2272次。这些统计数字之所以重要，不仅是因为它们是预测性能的指标，而且因为在实践中，当护理管理资源有限时，最高风险组的个体会被优先考虑进行干预和护理协调。
讨论
本研究描述了目前在马里兰州为大约350,000名联邦医疗保险按服务项目收费受益人投入生产的一个严重糖尿病并发症事件预测模型的开发和性能。平均风险评分为0.0124，最突出的风险因素是“先前住院出院状态：其他”，其次是其他基于利用率和诊断的风险因素。该模型在生产环境中表现良好：根据2024年6月7日发布的评分，最高风险前10%的个体占随后一个月内真实严重糖尿病并发症事件的56.9%。此外，在预测严重糖尿病并发症事件方面，糖尿病并发症事件模型评分以相当大的优势优于HCC评分，后者是一种更通用的预期医疗保健需求指数。尽管这是意料之中的，因为糖尿病并发症事件模型经过了优化以预测这一特定结果，但我们相信，这些结果凸显了糖尿病并发症事件模型及其风险评分作为支持初级保健环境中糖尿病管理工具的价值。
个体层面的风险评分可以帮助初级保健提供者和工作人员对其患者名单进行统计分类，并将有限的时间和护理管理资源有效地分配给最需要的人。本分析的结果表明，如果护理管理者关注糖尿病并发症事件风险评分最高的10%的受益人，他们将能够接触到近60%的将在下一个月内发生严重糖尿病并发症事件的患者。此外，根据收到风险评分的初级保健提供者的反馈，提供者会收到每个个体的风险评分以及驱动该风险评分的首要“风险原因”。值得注意的是，具有相似风险评分的个体可能有不同的风险驱动因素。例如，一个人的风险可能由心力衰竭和高血压病史驱动，而另一个人的风险可能由最近一次出院状态为“其他”的住院驱动。尽管风险因素系数——以及风险原因——不是糖尿病并发症结果的因果驱动因素，但它们可能有助于提供者和护理管理者设计个性化干预措施，以降低发生糖尿病并发症结果的风险。
更广泛地说，糖尿病并发症事件模型评分相对于其他更通用的风险评分的特异性，可能有助于在实践层面努力实现与糖尿病护理相关的政策驱动的质量目标，并改善人口健康结果。例如，一个旨在为糖尿病并发症高风险患者提供护理管理资源的理论干预项目，如果关注糖尿病并发症事件评分定义的最高风险前10%的个体，将比关注HCC评分定义的最高风险前20%的个体接触到更多实际发生严重糖尿病并发症事件的患者。
局限性
该模型有三个主要局限性。首先，我们只使用了行政索赔数据和公开可用的社会健康决定因素数据；我们没有使用临床数据。尽管某些领域——例如，血红蛋白A1c水平——几乎肯定会提高模型性能，但它们对此人群不可用。然而，开发该模型所使用的行政索赔数据的相对标准化结构意味着，该模型原则上可以适用于其他人群。相关地，在撰写本文时，马里兰州正计划在另外三个公共保险人群中部署该模型，以支持最近获批的AHEAD模式的实施：联邦医疗保险按服务项目收费非MDPCP受益人、医疗补助管理式医疗受益人和联邦医疗补助按服务项目收费受益人。
其次，尽管我们可以监控模型的统计性能，但我们对提供者如何使用风险评分的可见性有限。最近对MDPCP的一项评估发现，该项目的引入导致了住院和急诊科利用率的降低，这可能部分归因于提供者可以获得的预测性风险评分，但并未尝试单独分离预测模型风险评分的影响。我们鼓励未来的研究人员进一步探索实践将预测建模风险评分纳入患者护理决策过程的方式。
最后，我们为整个MDPCP归属人群计算了风险评分，尽管其中只有一部分被诊断患有糖尿病。虽然这在操作上很方便，但这也是有意为之：原则上，个体可能患有未确诊的糖尿病，或者没有包含其糖尿病诊断的近期索赔，这可能使个体看起来没有糖尿病。然而，该个体可能仍然处于发生严重糖尿病并发症事件的高风险中。我们试图通过为所有人估算风险评分来避免此类个体“漏网”的情况。
结论
在本研究中，我们阐述了一个严重糖尿病并发症事件预测模型的开发和操作，该模型目前部署在参加MDPCP的提供者所归属的马里兰州联邦医疗保险按服务项目收费人群中。预防糖尿病并发症是马里兰州的公共卫生优先事项，本研究提供的证据表明，基于行政数据的严重糖尿病并发症预测模型可能有助于帮助提供者主动优化护理，为护理管理实践提供信息，并最终减少不良健康事件的发生，从而控制医疗成本。
致谢
作者感谢Chad Perman提供的宝贵反馈。
作者单位： 马里兰大学巴尔的摩分校Hilltop研究所（Leigh Goetschius, PhD；Danielle Barefoot, MEd；Fei Han, PhD；Morgan A. Henderson, PhD），马里兰州巴尔的摩；马里兰大学巴尔的摩分校心理学系（Ruichen Sun, MS），马里兰州巴尔的摩。
资金来源： 该项目资金来自马里兰州卫生部和马里兰州初级保健项目。
作者披露： 作者报告与任何实体均无可能与本文章主题产生利益冲突的关系或财务利益。
作者信息： 概念与设计（Leigh Goetschius, PhD；Fei Han, PhD；Ruichen Sun, MS；Morgan A. Henderson, PhD）；数据分析和解读（Leigh Goetschius, PhD；Danielle Barefoot, MEd；Fei Han, PhD；Ruichen Sun, MS；Morgan A. Henderson, PhD）；手稿起草（Leigh Goetschius, PhD；Danielle Barefoot, MEd；Ruichen Sun, MS；Morgan A. Henderson, PhD）；重要知识内容的手稿关键修订（Leigh Goetschius, PhD；Morgan A. Henderson, PhD）；统计分析（Leigh Goetschius, PhD；Fei Han, PhD；Morgan A. Henderson, PhD）；行政、技术或后勤支持（Leigh Goetschius, PhD；Danielle Barefoot, MEd；Morgan A. Henderson, PhD）。
通讯地址： Leigh Goetschius, PhD, University of Maryland, Baltimore County, 1000 Hilltop Circle, Sondheim Hall, Third Floor, Baltimore, MD 21250. Email: lgoetschius@hilltop.umbc.edu.
参考文献
- 糖尿病统计。美国国立糖尿病、消化和肾脏疾病研究所。2024年1月。2025年1月6日访问。
- Cloete L. 糖尿病：类型、症状、并发症和管理概述。《护理标准》。2022;37(1):61-66. doi:10.7748/ns.2021.e11709
- Papatheodorou K, Banach M, Edmonds M, Papanas N, Papazoglou D. 糖尿病并发症。《糖尿病研究杂志》。2015;2015:189525. doi:10.1155/2015/189525
- Billings J, Zeitel L, Lukomnik J, Carey TS, Blank AE, Newman L. 社会经济地位对纽约市医院使用的影响。《健康事务》。1993;12(1):162-173. doi:10.1377/hlthaff.12.1.162
- Nam S, Chesla C, Stotts NA, Kroon L, Janson SL. 糖尿病管理障碍：患者和提供者因素。《糖尿病研究与临床实践》。2011;93(1):1-9. doi:10.1016/j.diabres.2011.02.002
- Kushner PR, Cavender MA, Mende CW. 初级保健临床医生在管理2型糖尿病和心肾疾病患者中的作用。《临床糖尿病》。2022;40(4):401-412. doi:10.2337/cd21-0119
- Shrivastav M, Gibson W Jr, Shrivastav R, 等. 初级保健中的2型糖尿病管理：回顾性、专业连续血糖监测的作用。《糖尿病谱》。2018;31(3):279-287. doi:10.2337/ds17-0024
- 《全州综合健康改善战略提案》。马里兰州卫生服务成本审查委员会。2020年12月。2025年1月6日访问。
- 马里兰州总医疗成本模型。马里兰州卫生服务成本审查委员会。2025年1月6日访问。
- Dagliati A, Marini S, Sacchi L, 等. 预测糖尿病并发症的机器学习方法。《糖尿病科学与技术杂志》。2018;12(2):295-302. doi:10.1177/1932296817706375
- Huang J, Yeung AM, Armstrong DG, 等. 用于预测和诊断糖尿病并发症的人工智能。《糖尿病科学与技术杂志》。2023;17(1):224-238. doi:10.1177/19322968221124583
- Ljubic B, Hai AA, Stanojevic M, 等. 使用高级机器学习算法预测糖尿病并发症。《美国医学信息学协会杂志》。2020;27(9):1343-1351. doi:10.1093/jamia/ocaa120
- Rubin DJ, Shah AA. 预测和预防糖尿病患者急性护理的再次利用。《当前糖尿病报告》。2021;21(9):34. doi:10.1007/s11892-021-01402-7
- Schiborn C, Schulze MB. 糖尿病并发症发展的精准预后。《糖尿病学》。2022;65(11):1867-1882. doi:10.1007/s00125-022-05731-4
- Pelser C, Henderson M, Stockwell I. 《可避免住院和急诊就诊的风险因素：文献综述》。Hilltop研究所，UMBC；2019年。2025年1月6日访问。
- Goetschius LG, Henderson M, Han F, 等. 评估ZCTA级别和人口普查区级别社会和环境风险因素在预测医院事件模型中的性能。《社会科学与医学》。2023;326:115943. doi:10.1016/j.socscimed.2023.115943
- Glasheen WP, Renda A, Dong Y. 糖尿病并发症严重指数更新和ICD-10翻译。《糖尿病并发症杂志》。2017;31(6):1007-1013. doi:10.1016/j.jdiacomp.2017.02.018
- Young BA, Lin E, Von Korff M, 等. 糖尿病并发症严重指数与死亡率、住院率和医疗保健利用率的风险。《美国管理式医疗杂志》。2008;14(1):15-23.
- Chang HY, Weiner JP, Richards TM, Bleich SN, Segal JB. 在索赔数据中验证改编后的糖尿病并发症严重指数。《美国管理式医疗杂志》。2012;18(11):721-726.
- Wicke FS, Glushan A, Schubert I, 等. 翻译至ICD-10的改编版糖尿病并发症严重指数的性能。《美国管理式医疗杂志》。2019;25(2):e45-e49.
- Henderson M, Han F, Perman C, Haft H, Stockwell I. 预测马里兰州的可避免住院事件。《卫生服务研究》。2022;57(1):192-199. doi:10.1111/1475-6773.13891
- Goetschius LG, Barefoot D, Han F, Henderson M. 《Hilltop研究所Pre模型风险评分规范与代码手册》。Hilltop研究所，UMBC；2025年。2025年1月6日访问。
- Llorca J, Delgado-Rodríguez M. 可视化暴露-疾病关联：洛伦兹曲线和基尼指数。《医学科学监测》。2002;8(10):MT193-MT197.
- Mauguen A, Begg CB. 使用洛伦兹曲线表征风险预测性和病因异质性。《流行病学》。2016;27(4):531-537. doi:10.1097/EDE.0000000000000499
- 《国会报告：联邦医疗保险优势计划的风险调整》。CMS。2018年12月。2025年1月6日访问。
- Pope GC, Kautter J, Ellis RP, 等. 使用CMS-HCC模型调整联邦医疗保险按人头付款的风险。《医疗保健财务评论》。2004;25(4):119-141.
- AHEAD模型。马里兰州卫生服务成本审查委员会。2025年1月6日访问。
- 《马里兰州初级保健项目评估》。马里兰州卫生服务成本审查委员会；2024年:31-114。2025年1月6日访问。
【全文结束】