预测加拿大阿尔伯塔省老年人中与跌倒相关的住院病例:使用人口行政健康数据开发了一种机器学习的跌倒预防工具

科学领域:

• 老年学是指老年学的学科.
• 医疗信息学 医疗信息学
• 数据科学数据科学数据科学

背景情况:

• 跌倒是老年人住院的重要原因之一.
• 有效的防摔计划需要准确识别高风险个体.
• 人口级数据为开发预测健康模型提供了宝贵的资源.

研究的目的:

• 开发和验证机器学习 (ML) 模型,以预测老年人中与跌倒相关的入院.
• 评估实施ML驱动的跌倒预防的卫生系统的潜在成本节约.

主要方法:

• 一项利用加拿大阿尔伯塔省 (2018-2019) 的行政健康数据进行的预后研究.
• 在2018年的数据上训练了一种CatBoost ML模型,以预测与跌倒相关的急诊室访问或住院.
• 使用2019年数据评估模型性能 (歧视,校准) 和模拟成本节省的时间验证.

主要成果:

• 在超过20万名参与者的验证组中,ML模型实现了0.70的c统计值.
• 顶级预测表明高风险个体的测试后概率为40-50%.
• 针对高风险群体的干预措施可以节省大量的成本,高达1600万加元.

结论:

• 使用行政数据的机器学习模型可以有效地识别与跌倒相关的入院风险的老年人.
• 机器学习预测可以指导落预防计划中的有针对性的干预措施,从而降低医疗保健成本.
• 通过多样化的数据访问来提高ML性能,可以进一步优化成本节约策略.