多变量机器学习模型用于使用中国人口数据库对老年人后续关节骨折的临床预测
Wenbo Huang1, Jie Wang2, Jilai Xu3
1Department of Medicine, Beijing Municipal Welfare Medical Research Institute Ltd, Beijing 102400, China.
Age and ageing
|March 18, 2024
概括
机器学习模型准确地预测了中国老年人随后的关节骨折. 这些工具可以识别有针对性的预防策略的高风险个人,帮助管理医疗保健成本.
科学领域:
- 老年学是一门学科.
- 整形外科 整形外科 整形外科
- 医疗信息学 医疗信息学
背景情况:
- 骨折对老年人来说是一个很大的健康负担.
- 随后的部骨折增加了发病率和死亡率.
- 有效的预测对于中国的及时干预和成本管理至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测老年人随后的关节骨折.
- 确定与骨折风险增加相关的关键临床和人口学变量.
- 支持早期诊断和预防部骨折的预防策略.
主要方法:
- 利用来自中国 (2009-2020) 三级医院的关节骨折患者 (≥60岁) 的大量数据集.
- 开发了6个ML模型,在训练集 (80%) 上使用了19个变量,并在测试集 (20%) 上进行了验证.
- 包括超过4万名患者的临床和管理数据.
主要成果:
- 三种ML模型对随后的关节骨折 (AUC:0.92) 显示出出色的预测性能.
- 这些模型的表现优于以前的预测模型.
- 确定了包括住院时间长度在内的特定变量作为预测因素.
结论:
- 开发了基于ML的准确预测模型,用于中国老年人随后的关节骨折.
- 模型可以使用基线临床和人口统计数据识别高风险个体.
- 这些工具可以指导有针对性的预防治疗和医疗保健资源分配.
