在老年患者中,用机器学习算法和SHapley添加式扩展进行术后妄想的预测模型

科学领域:

• 老年医学 老年医学
• 整形外科手术 整形外科手术
• 在医疗保健中的数据科学.

背景情况:

• 手术后痴呆症 (POD) 是接受关节骨折手术的老年患者的常见和严重并发症.
• 早期识别患有POD高风险的患者对于优化治疗和改善患者结果至关重要.

研究的目的:

• 开发和评估老年关节骨折患者手术后痴呆症的预测模型.
• 为了比较机器学习算法的性能与POD预测的传统物流回归.

主要方法:

• 一项追溯性研究涉及797名接受关节骨折手术的老年患者 (≥65岁).
• 使用后勤回归和五种机器学习算法 (随机森林,GBM,AdaBoost,XGBoost,SVM) 构建预测模型.
• 模型性能使用接收器运行特征曲线下的面积 (AUC-ROC) 评估,准确度,灵敏度和精度;特征重要性使用SHAP进行评估.

主要成果:

• POD的发生率为9.28% (74/797名患者).
• 一个物流回归名录实现了0.71.7的AUC.
• 机器学习模型表现出卓越的性能,随机森林 (AUC 0.81),GBM (AUC 0.80) 和XGBoost (AUC 0.77) 显示出最高的预测能力.
• 随机森林获得了最高的灵敏度 (91.9%),而SVM获得了最高的精度 (67.8%).

结论:

• 与传统的后勤回归相比,机器学习算法为预测老年骨折患者的POD提供了更有效的方法.
• 这些模型可以促进方便的风险分层,这可能会导致更好的管理和对这个脆弱的患者群体的结果.