Maskininlärningsprediktion av vårdavslutsdestination hos patienter med Parkinsons sjukdom; en rikstäckande kohortstudie

Varför utskrivning från sjukhus spelar roll för personer med Parkinsons

För familjer som lever med Parkinsons sjukdom väcker en sjukhusvistelse ofta en oroande fråga: kommer deras närstående kunna återvända hem, eller behöver hen flytta till ett vårdhem eller riskerar livshotande komplikationer? Denna studie använder moderna datorverktyg för att tidigt under en vårdavdelning uppskatta dessa sannolikheter och ger läkare, patienter och anhöriga mer tid att planera för vad som kommer härnäst.

En genomgång av sjukhus över hela landet

Forskarna analyserade journaluppgifter från en stor amerikansk sjukhusdatabas som fångar ungefär en fjärdedel av alla sjukhusvistelser i landet. De fokuserade på mer än 280 000 personer i åldern 50 år och uppåt som vårdats med Parkinsons sjukdom mellan slutet av 2017 och mitten av 2023. För varje person granskades endast den första vårdperioden under den här perioden och slututfallen grupperades i tre enkla kategorier: åka hem, flytta till någon form av vårdfacilitet eller avlida på sjukhuset. Nästan hälften av patienterna åkte hem, nästan lika många gick till en anläggning, och ungefär en av fjorton avled innan utskrivning.

Mönster i vem som åker hem och vem som inte gör det

Personer som skickades till en anläggning tenderade att vara äldre och medicinskt mer sköra än de som åkte hem. De hade oftare demens, sväljsvårigheter, lunginflammation orsakad av föda eller dryck som hamnat i lungorna, eller en ny fraktur eller ett nyligt fall. De var också mer sannolikt ogifta och hade oftare kommit till sjukhuset från en annan vårdinrättning, inte direkt hemifrån. Deras vårdtider var längre och de fick mer rehabiliteringsbehandling. Patienter som avled på sjukhuset hade de högsta nivåerna av demens och allvarliga lunginfektioner, vilket understryker hur avancerad sjukdom och komplikationer formar dessa utfall.

Att lära datorer att känna igen risk

För att omvandla dessa mönster till praktiska verktyg tränade teamet maskininlärningsmodeller, en typ av datorprogram som lär sig från data, för att förutsäga vart och ett av de tre utskrivningsutfallen. Genom att använda majoriteten av vårdtillfällena för att träna modellerna och resten för att testa dem uppnådde programmen god noggrannhet för alla tre kategorierna. Till exempel separerade modellen som förutsade vilka som skulle åka hem korrekt hemutskrivningar från andra utfall i ungefär tre fjärdedelar av fallen. En liknande modell för flytt till anläggning presterade lika bra, och modellen som förutsåg dödsfall på sjukhus gjorde något bättre. Dessa modeller testades över olika tidsperioder och något olika sätt att gruppera försäkringstyper, och deras prestanda höll i sig, vilket tyder på att de är relativt stabila.

En enkel sängkantsscore för risk att hamna på anläggning

Där läkare och sjuksköterskor behöver verktyg de snabbt kan förstå byggde forskarna också en enklare, mer transparent riskscore inriktad på att förutsäga utskrivning till en anläggning. Denna score använde sju lätt igenkännliga faktorer: historik av fraktur, demens, ankomst som överflyttning från annan anläggning, historik av fall, typ av försäkring, civilstånd, och den region i landet där sjukhuset ligger. Varje faktor adderar eller subtraherar poäng, och totalsumman placerar patienter i låg-, medel- eller högriskgrupp. I denna studie hade personer i låg risk-gruppen ungefär fyrtio procents sannolikhet för utskrivning till anläggning, medan de i högriskgruppen hade nästan tre av fyra i sannolikhet.

Vad detta betyder för patienter och familjer

Dessa verktyg bestämmer inte vart någon enskild person måste gå efter en sjukhusvistelse, men de kan fungera som en tidig varningssignal. Genom att belysa patienter med Parkinsons som är mer benägna att behöva intensivt stöd eller drabbas av allvarliga komplikationer kan modellerna och den sju-punkts scorern uppmuntra tidiga samtal om rehabilitering, hemhjälp eller långtidsvård. Använda tillsammans med kliniskt omdöme och familjens preferenser kan sådana datadrivna tillvägagångssätt hjälpa sjukhus att organisera säkrare, mer personliga utskrivningsplaner och bättre matcha begränsade vårdresurser till de som behöver dem mest.

Citering: Kamo, H., Mehta, T.R., Remz, M. et al. Machine learning prediction of discharge destination in patients with Parkinson’s disease; a nationwide cohort study. npj Parkinsons Dis. 12, 120 (2026). https://doi.org/10.1038/s41531-026-01309-8

Nyckelord: Parkinsons sjukdom, sjukhusutskrivning, maskininlärning, riskprediktion, postakut vård