DOI: https://doi.org/10.1007/s10729-025-09750-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41721925
تاريخ النشر: 2026-02-21
المؤلف: Brad Beauvais وآخرون
الموضوع الرئيسي: سياسة وإدارة الرعاية الصحية
نظرة عامة
تناقش الورقة البحثية التحديات المالية التي تواجه المستشفيات، مع تسليط الضوء بشكل خاص على الزيادة المقلقة في طلبات الإفلاس داخل قطاع الرعاية الصحية، والتي ارتفعت بنسبة 305% منذ عام 2010، في حين انخفضت بنسبة 53% في صناعات أخرى. تشمل العوامل المساهمة في هذا الاتجاه انخفاض التعويضات الحكومية، وارتفاع تكاليف التشغيل، وتأثير جائحة COVID-19، التي زادت من خسائر الإيرادات من الخدمات المربحة. تشير النتائج إلى أن المستشفيات الريفية تتأثر بشكل غير متناسب بهذه الضغوط المالية.
لمعالجة هذه القضايا، تقدم الدراسة وتتحقق من صحة نموذج جديد للتنبؤ بالإفلاس، BRKFSST، الذي يظهر أداءً متفوقًا مقارنة بالنماذج المالية التقليدية. يستخدم نموذج BRKFSST دالة تنشيط من نوع الظل الزائد ودالة خسارة تعتمد على مجموع الأخطاء المربعة، مما يختلف عن الدالة اللوجستية المستخدمة عادة ودالة الانتروبيا الثنائية (BCE). تم اختبار بنية النموذج، المستندة إلى Perceptron، بدقة عبر تقسيمات تدريب مختلفة، مما يكشف عن عدم اتساق في نتائج التصنيف. على الرغم من هذه التحديات، يهدف تصميم النموذج إلى تعزيز دقة التنبؤ في تقييم مخاطر إفلاس المستشفيات، مما يشير إلى أن المنهجيات البديلة في تطوير النماذج قد تؤدي إلى نتائج أكثر إيضاحًا.
مقدمة
في الولايات المتحدة، يتميز مشهد الرعاية الحادة قصيرة الأجل بتنوع كبير من المستشفيات وأنظمة الصحة، مع عدم وجود هيئة تخطيط أو تنظيم مركزية كما هو شائع في الدول المتقدمة الأخرى. يجبر هذا النهج اللامركزي المستشفيات على التركيز على زيادة استدامتها الاقتصادية من خلال زيادة عدد زيارات المرضى والخدمات المقدمة، حيث تعمل أساسًا ضمن نموذج تعويض يعتمد على الرسوم مقابل الخدمات. وبالتالي، قد تؤثر الحوافز المالية المتأصلة في هذا النظام على جودة وملاءمة الرعاية المقدمة للمرضى، مما يثير تساؤلات مهمة حول الكفاءة والفعالية العامة لتقديم الرعاية الصحية في الولايات المتحدة.
الطرق
تحدد قسم الطرق تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث نفذوا سلسلة من التجارب المضبوطة لجمع البيانات حول المتغيرات المحددة. شملت المنهجيات الرئيسية التحليل الإحصائي باستخدام أدوات البرمجيات لضمان تفسير البيانات بشكل قوي والتحقق من صحة النتائج.
بالإضافة إلى ذلك، دمجت الدراسة نماذج رياضية متنوعة لمحاكاة العمليات الأساسية، مما يسمح بفهم شامل للظواهر قيد التحقيق. تم تفصيل اختيار المعلمات والمنطق وراء إعداد التجربة بدقة لتسهيل إعادة الإنتاج وتعزيز موثوقية النتائج. بشكل عام، أسست الإطار المنهجي أساسًا قويًا للتحليل والنقاش اللاحقين حول النتائج.
النتائج
تكشف نتائج هذه الدراسة أن نموذج BRKFSST يتفوق بشكل كبير على النماذج المالية التقليدية في التنبؤ بإفلاس المستشفيات، حيث حقق منطقة تحت المنحنى (AUC) تبلغ 81.8% ودقة متوازنة تبلغ 72.2%. يظهر هذا النموذج معدل استرجاع متوسط يبلغ 60.6%، مما يدل على فعاليته في تحديد حالات الإفلاس الفعلية بدقة، وهو أمر حاسم نظرًا للتكاليف العالية المرتبطة بتصنيف المستشفيات المفلسة على أنها solvent. بالمقابل، أظهرت النماذج القديمة مثل Z” لـ Altman، وZ” المعاد تقديره لـ Altman، وO-score لـ Ohlson، ونموذج Zmijewski أداءً أقل، حيث أظهر النموذج الأصلي لـ Altman دقة منخفضة تبلغ 3.5% على الرغم من معدل استرجاع يبلغ 66.7%. كما يتمتع نموذج BRKFSST بأدنى معدل خطأ في التصنيف بنسبة 16.7%، مما يبرز أدائه المتوازن في تقليل كل من الإيجابيات الكاذبة والسلبيات الكاذبة.
علاوة على ذلك، فإن قابلية تفسير نموذج BRKFSST تعتبر ميزة كبيرة مقارنة بالنماذج الأكثر تعقيدًا في التعلم الآلي، حيث توفر رؤى قابلة للتنفيذ للمديرين التنفيذيين في المستشفيات وصانعي السياسات. من خلال استخدام الانحدار اللوجستي، يحدد النموذج المؤشرات الرئيسية للإفلاس، مثل زيادة نسبة تعويض العمالة التي تزيد من المخاطر، بينما تقلل أحجام المرضى الأقوى والملكية الحكومية من المخاطر. بالإضافة إلى ذلك، ترتبط الدرجات المنخفضة في مقاييس الجودة، مثل تقييم المستهلك للمستشفيات ومقدمي الرعاية الصحية (HCAHPS) ، بمشاكل مالية. تؤكد هذه النتائج على القدرة التمييزية القوية لنموذج BRKFSST وقابليته للتطبيق العملي في قطاع الرعاية الصحية.
النقاش
يتناول قسم النقاش في الورقة البحثية القضية الحرجة لإفلاس المستشفيات في الولايات المتحدة، مع تسليط الضوء على الاتجاه المقلق للضغوط المالية بين المستشفيات الريفية والحضرية. يشير المؤلفون إلى أن ما يقرب من نصف المستشفيات الريفية تعمل بخسارة، مع حدوث إغلاقات كبيرة منذ عام 2010، مما زاد من تفاقمها جائحة COVID-19. تمتد عواقب الإفلاس إلى ما هو أبعد من المنظمات المتأثرة، مما يؤدي إلى تقليل الوصول إلى الرعاية الصحية، والانكماش الاقتصادي بسبب تسريح العمال، وفقدان المصداقية الذي يعقد التعافي المالي في المستقبل. تؤكد الدراسة على أنه على الرغم من أن إفلاس المستشفيات قضية يمكن تجنبها، فإن الكشف المبكر عن الضغوط المالية من خلال نماذج تنبؤية قوية يمكن أن يخفف من هذه النتائج السلبية.
يقدم المؤلفون مساهمات دراستهم، بما في ذلك تطوير نموذج تنبؤ بالإفلاس خاص بالمستشفيات (BRKFSST) يدمج المؤشرات المالية مع المتغيرات الحيوية الخاصة بالمستشفيات، مثل تقييمات الجودة وخصائص السوق. يظهر هذا النموذج دقة تنبؤية متفوقة مقارنة بالنماذج التقليدية مثل Z-score لـ Altman وO-score لـ Ohlson. من خلال دمج مجموعة بيانات شاملة والتركيز على العوامل الداخلية والخارجية التي تؤثر على الجدوى المالية للمستشفيات، تهدف الدراسة إلى تقديم رؤى قابلة للتنفيذ لقادة المستشفيات وصانعي السياسات، مما يعزز في النهاية الإدارة الاستباقية للمخاطر المالية في قطاع الرعاية الصحية.
القيود
تسلط القيود في الدراسة الحالية حول إفلاس المستشفيات الضوء على عدة مجالات للتحسين والبحث المستقبلي. بينما تحدد الدراسة العوامل الرئيسية المرتبطة بإفلاس المستشفيات، إلا أنها لا تقدم حدودًا محددة لهذه المتغيرات التي قد تشير إلى حالة مالية غير مستدامة. يمكن أن تتناول الأبحاث المستقبلية هذه الفجوة من خلال تقديم رؤى مفصلة حول المتغيرات الحرجة ونقاط التحول الخاصة بها، مما سيكون مفيدًا لقادة المستشفيات. بالإضافة إلى ذلك، يمكن أن تساعد التحليلات الوطنية التي تستخدم المعلمات المحددة في تحديد المستشفيات التي تواجه أعلى مخاطر الفشل، مما يزود صانعي السياسات بأدوات للتدخل الاستباقي للحفاظ على الوصول إلى رعاية المرضى.
علاوة على ذلك، تعترف الدراسة بإمكانية وجود إغفالات في العوامل المؤثرة على الإفلاس، كما يتضح من القيم غير المثلى للدقة والاسترجاع في النماذج التحليلية. يمكن أن تتضمن التحقيقات المستقبلية متغيرات إضافية مثل تصنيفات السندات للمستشفيات، وفحصًا أكثر دقة لمزيج الدافعين، وظروف السوق المحلية. كما تفتقر الدراسة الحالية إلى تحليل شامل للخصائص الديموغرافية والاجتماعية والاقتصادية للسكان المرضى الذين تخدمهم المستشفيات، والتي قد تؤثر بشكل كبير على الصحة المالية. يمكن أن يؤدي معالجة هذه القيود من خلال مجموعة بيانات أكثر شمولاً إلى تعزيز عمق الدراسة ودقتها التنبؤية، مما يحسن في النهاية فهم الضغوط المالية في المستشفيات الأمريكية.
DOI: https://doi.org/10.1007/s10729-025-09750-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41721925
Publication Date: 2026-02-21
Author(s): Brad Beauvais et al.
Primary Topic: Healthcare Policy and Management
Overview
The research paper discusses the financial challenges faced by hospitals, particularly highlighting the alarming increase in bankruptcy filings within the healthcare sector, which rose by 305% since 2010, contrasting with a 53% decrease in other industries. Factors contributing to this trend include declining government reimbursements, rising operational costs, and the impact of the COVID-19 pandemic, which exacerbated revenue losses from profitable services. The findings indicate that rural hospitals are disproportionately affected by these financial strains.
To address these issues, the study introduces and validates a novel bankruptcy prediction model, BRKFSST, which demonstrates superior performance compared to traditional financial models. The BRKFSST model employs a hyperbolic tangent activation function and a sum of squared errors as its loss function, diverging from the commonly used logistic function and binary cross-entropy (BCE). The model’s architecture, based on a Perceptron, was rigorously tested across various training splits, revealing inconsistencies in classification outcomes. Despite these challenges, the model’s design aims to enhance predictive accuracy in assessing hospital bankruptcy risk, suggesting that alternative methodologies in model development may yield more insightful results.
Introduction
In the United States, the landscape of short-term acute care is characterized by a diverse array of hospitals and health systems, lacking a centralized planning or regulatory body that is common in other developed countries. This decentralized approach compels hospitals to focus on maximizing their economic sustainability by increasing the volume of patient visits and services rendered, primarily operating within a fee-for-service reimbursement model. Consequently, the financial incentives inherent in this system may influence the quality and accessibility of care provided to patients, raising important questions about the overall efficiency and effectiveness of healthcare delivery in the US.
Methods
The Methods section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing a series of controlled experiments to gather data on the specified variables. Key methodologies included statistical analysis using software tools to ensure robust data interpretation and validation of results.
Additionally, the study incorporated various mathematical models to simulate the underlying processes, allowing for a comprehensive understanding of the phenomena under investigation. The selection of parameters and the rationale behind the experimental setup were meticulously detailed to facilitate reproducibility and to enhance the reliability of the findings. Overall, the methodological framework established a solid foundation for the subsequent analysis and discussion of results.
Results
The results of this study reveal that the BRKFSST model significantly outperforms traditional financial models in predicting hospital bankruptcies, achieving an Area Under the Curve (AUC) of 81.8% and a balanced accuracy of 72.2%. This model demonstrates a mean recall score of 60.6%, indicating its effectiveness in accurately identifying actual bankruptcy cases, which is critical given the high costs associated with misclassifying bankrupt hospitals as solvent. In contrast, legacy models such as Altman’s Z”, the re-estimated Altman Z”, Ohlson’s O-score, and the Zmijewski model exhibited inferior performance, with Altman’s original model showing a low precision of 3.5% despite a recall of 66.7%. The BRKFSST model also boasts the lowest misclassification rate at 16.7%, highlighting its balanced performance in minimizing both false positives and false negatives.
Moreover, the BRKFSST model’s interpretability is a significant advantage over more complex machine learning models, providing actionable insights for hospital executives and policymakers. By utilizing logistic regression, the model identifies key predictors of bankruptcy, such as a higher labor compensation ratio increasing risk, while stronger patient volumes and government ownership decrease it. Additionally, lower scores in quality metrics, like the Hospital Consumer Assessment of Healthcare Providers and Systems (HCAHPS) Star Ratings, correlate with financial distress. These findings underscore the BRKFSST model’s robust discriminative ability and practical applicability in the healthcare sector.
Discussion
The discussion section of the research paper addresses the critical issue of hospital bankruptcy in the United States, highlighting the alarming trend of financial distress among both rural and urban hospitals. The authors note that nearly half of rural hospitals operate at a loss, with significant closures occurring since 2010, exacerbated by the COVID-19 pandemic. The consequences of bankruptcy extend beyond the affected organizations, leading to diminished healthcare access, economic downturns due to layoffs, and a loss of credibility that complicates future financial recovery. The study emphasizes that while hospital bankruptcy is a preventable issue, early detection of financial distress through robust predictive models can mitigate these adverse outcomes.
The authors present their study’s contributions, including the development of a hospital-specific predictive bankruptcy model (BRKFSST) that integrates financial indicators with critical hospital-specific variables, such as quality ratings and market characteristics. This model demonstrates superior predictive accuracy compared to traditional models like Altman’s Z-score and Ohlson’s O-score. By incorporating a comprehensive dataset and focusing on both internal and external factors influencing hospital financial viability, the study aims to provide actionable insights for hospital leaders and policymakers, ultimately fostering proactive management of financial risks in the healthcare sector.
Limitations
The limitations of the current study on hospital bankruptcy highlight several areas for improvement and future research. While the study identifies key factors associated with hospital insolvency, it does not provide specific thresholds for these variables that would indicate an unsustainable financial state. Future research could address this gap by offering detailed insights into the critical variables and their respective tipping points, which would be beneficial for hospital leaders. Additionally, a nationwide analysis utilizing the identified parameters could help pinpoint hospitals at the highest risk of failure, thereby equipping policymakers with tools for proactive intervention to maintain patient care access.
Moreover, the study acknowledges potential oversights in the factors influencing bankruptcy, as evidenced by the suboptimal precision and recall values in the analytical models. Future investigations could incorporate additional variables such as hospitals’ bond ratings, a more nuanced examination of payer mix, and local market conditions. The current study also lacks a thorough analysis of the demographics and socioeconomics of the patient populations served by hospitals, which may significantly impact financial health. Addressing these limitations with a more comprehensive dataset could enhance the study’s depth and predictive accuracy, ultimately improving the understanding of financial distress in U.S. hospitals.