在养老院住户的压力的一个月预测贝叶斯网络的贝叶斯网络

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
• 医学机器学习 医学机器学习

背景情况:

• 压力 (PUs) 是一个重要的,可预防的负担在养老院.
• 现有的风险评估工具 (如布雷登,诺顿等级) 在预测准确性方面存在局限性.
• 准确识别高风险居民对于有效的PU预防策略至关重要.

研究的目的:

• 开发和验证一个预测模型的压力 (PUs) 在养老院居民.
• 利用电子健康记录 (EHR) 数据来预测PU发生.
• 探索可解释机器学习的实用性,特别是贝叶斯网络,用于这个预测任务.

主要方法:

• 使用来自法国养老院 (2013-2022) 的EHR数据进行了一项纵向回顾性嵌套病例控制研究.
• 开发了一个贝叶斯网络 (BN) 模型,使用了来自EHR的136个变量,分析了PU发病前1个月的数据 (病例) 或调整的索引日期 (对照).
• 模型验证包括性能得分,特征选择和可解释性工具,如Shapley值.

主要成果:

• 这项研究分析了58,368名居民,其中29%的人患有PU.
• 该BN模型实现了1个月的PU预测灵敏度为0.94,精度为0.32,AUC为0.69.
• 确定的主要预测变量是住院时间长度,自上次住院以来的延迟,以及转移的依赖.

结论:

• 在养老院居民中预测发生压力的一个月是可行的,使用例行收集的EHR数据.
• 开发的BN模型提供了比现有方法更简单,更有效的替代方案.
• 这种方法可以促进开发一个新的,数据驱动的预防策略,不增加医疗保健专业人员的工作量.