Prognostic models for unplanned intensive care unit readmission risk prediction: A systematic review and meta‐analysis based on HSROC model
Prognostische Modelle zur Vorhersage ungeplanter Wiederaufnahmen auf die Intensivstation: systematische Übersichtsarbeit und Metaanalyse nach HSROC-Modell
Nursing in Critical Care · 2025-03 · 30 (2)
DOI: 10.1111/nicc.13306 ↗Auf einen Blick
Die Übersicht zeigt: Machine-Learning-Modelle sagten ungeplante ICU-Wiederaufnahmen besser voraus als Scoring-Systeme. Insgesamt war das Verzerrungsrisiko in allen Studien hoch.
Fragestellung
Wie gut sagen prognostische Modelle ungeplante Wiederaufnahmen auf die Intensivstation voraus, und wie schneiden Machine-Learning-Modelle im Vergleich zu Scoring-Systemen ab?
Methode
Systematische Übersicht und Metaanalyse von Kohortenstudien; Suche in 11 Datenbanken bis 21. August 2024; Bewertung mit PROBAST; Metaanalyse mit HSROC in Stata 16.0.
Ergebnisse
67 Studien mit 335 Modellen und 67 Scoring-Systemen. Gepoolte Sensitivität/Spezifität: 0,607/0,699 für Scoring-Systeme und 0,711/0,899 für Machine-Learning-Modelle. Deep Learning: Sensitivität 0,745, Spezifität 0,709.
Einschränkungen
Alle Studien hatten ein hohes Verzerrungsrisiko. Klinische Notizen wurden nicht berücksichtigt; externe Validierung wird benötigt.
Schlussfolgerung der Autor:innen
Machine-Learning-Modelle schnitten besser ab als Scoring-Systeme, berücksichtigten jedoch keine klinischen Notizen. Unstrukturierter Text könnte die Vorhersage verbessern.
Kernaussagen
- 67 Studien zu 335 Modellen und 67 Scoring-Systemen
- ML-Modelle: Sensitivität 0,711, Spezifität 0,899
- Alle Studien mit hohem Verzerrungsrisiko
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Systematische Übersicht in der Zeitschrift Nursing in Critical Care, online erschienen am 25.02.2025. Verfasst von Huiling Hu und 6 weiteren Autor:innen. Beteiligte Einrichtung: School of Nursing, Peking University, Beijing, People's Republic of China. Hauptthemen laut MEDLINE: Patient Readmission, Intensive Care Units. Die Arbeit wurde bisher 7-mal zitiert (Crossref) und nennt 106 Literaturangaben. Gefördert von: National Natural Science Foundation of China, R&D Program of Bejing Municipal Education Commission.
Themen: Intensivpflege
Abstract (Originalsprache)
Background
Intensive care unit (ICU) readmission is a critical factor in determining discharge timing and transitional care and is predicted by various models using different approaches. A systematic review is needed to assess the performance and applicability of these models.
Aim
To identify prognostic models for unplanned ICU readmission and compare the performance of machine learning models with scoring systems. Study Design This is a systematic review and meta‐analysis. We searched 11 databases up to August 21, 2024 for cohort studies on ICU readmission prediction models. The Prediction Model Risk of Bias Assessment Tool assessed model applicability and risk of bias, and meta‐analysis was performed using the Hierarchical Summary Receiver Operating Characteristic Curve model in Stata 16.0.
Results
Of 2150 articles, 67 were included, describing 335 models and 67 scoring systems. Common predictors included mechanical ventilation, age, blood pressure, gender and heart rate. The meta‐analysis of 199 models showed pooled sensitivities of 0.607 for scoring systems and 0.711 for machine learning models, with specificities of 0.699 and 0.899, respectively. Deep learning models had higher sensitivity (0.745) but lower specificity (0.709). All studies had a high risk of bias.
Conclusions
Machine learning outperformed scoring systems but ignored clinical notes. Including unstructured text could improve predictions. Models need external validation to ensure reliability across institutions. Relevance to Clinical Practice Models for ICU readmission prediction will aid critical care nurses in identifying high‐risk patients and prioritizing post‐ICU care needs. This can support nurse‐led interventions, improve patient safety and optimize resource allocation for transitional care.
Schlagwörter
MeSH-Schlagwörter (MEDLINE)
Stichwörter der Autor:innen
Autor:innen und Institutionen
- School of Nursing, Peking University, Beijing, People's Republic of China.
- Peking University Health Science Centre for Evidence-Based Nursing: A JBI Centre of Excellence, Peking University, Beijing, People's Republic of China.
- Department of Psychology, Capital Normal University, Beijing, People's Republic of China.
ORCID-Profile: Xue Wu
Förderung
- National Natural Science Foundation of China
- R&D Program of Bejing Municipal Education Commission
Zitieren
APA
Hu, H., Li, J., Ge, H., Wu, B., Feng, T., Wu, X., & Wu, X. (2025). Prognostic models for unplanned intensive care unit readmission risk prediction: A systematic review and meta‐analysis based on HSROC model. Nursing in Critical Care, 30(2). https://doi.org/10.1111/nicc.13306
Vancouver
Hu H, Li J, Ge H, Wu B, Feng T, Wu X, et al. Prognostic models for unplanned intensive care unit readmission risk prediction: A systematic review and meta‐analysis based on HSROC model. Nursing in Critical Care. 2025;30(2). doi:10.1111/nicc.13306
BibTeX
@article{Hu2025,
author = {Hu, Huiling and Li, Jiashuai and Ge, Hui and Wu, Bilin and Feng, Tingting and Wu, Xue and Wu, Xuanna},
title = {Prognostic models for unplanned intensive care unit readmission risk prediction: A systematic review and meta‐analysis based on HSROC model},
journal = {Nursing in Critical Care},
year = {2025},
volume = {30},
number = {2},
doi = {10.1111/nicc.13306}
}
EUVIMED