使用机器学习从电子健康记录中检测肉症
Xiao Luo1, Haoran Ding1, Andrea Broyles2
1School of Engineering and Technology, Indiana University Purdue University at Indianapolis, Indianapolis, IN, USA.
Digital health
|September 1, 2023
概括
机器学习模型可以使用电子健康记录 (EHR) 预测肉症. 这种方法有助于早期发现肉类,改善患者的治疗结果和独立性.
科学领域:
- 老年学是指老年学的学科.
- 生物医学信息学 生物医学信息学
- 肌肉骨健康 肌肉骨健康
背景情况:
- 标志着肌肉质量和力量较低的萨尔科佩尼亚导致移动性问题和独立性丧失.
- 萨科佩尼亚经常被诊断不足,并且没有在电子健康记录 (EHR) 中明确编码.
研究的目的:
- 通过使用电子健康记录 (EHR) 的结构化数据来增强 Sarcopenia 检测.
- 从EHR数据评估机器学习模型在预测肉症方面的有效性.
主要方法:
- 成年人被分为对照组,萨科佩尼亚-1 (≥1型萨科佩尼亚测试) 和萨科佩尼亚-2 (≥2型萨科佩尼亚测试) 组.
- 机器学习模型应用于EHR数据,包括诊断,药物和实验室测试,以预测.
- 使用逻辑回归曲线下的面积 (AUC),多层感知子和支向量机器模型来评估性能.
主要成果:
- Sarcopenic 参与者年龄较大,脂肪质量较高,并发症和慢性疾病较多.
- 与Sarcopenia-1 (Logistic Regression AUC: 71.59%) 相比,模型显示了Sarcopenia-2 (逻辑回归AUC: 91.44%) 的性能更高.
- 萨尔科佩尼亚的关键预测因素包括糖尿病,消化系统问题,神经/肌肉骨/呼吸系统症状,代谢和脏疾病,以及使用阿片类药物,皮质类固醇和抗高脂药.
结论:
- 机器学习模型可以有效地从结构化的EHR数据中预测肉症.
- 这种预测能力可以促进大规模的,早期检测和干预策略,在临床环境中治疗肉类.
- 进一步的研究可以完善这些模型,使其具有更广泛的临床应用.
