多模式机器学习用于预测老年人群30天再接收风险
Ranel Loutati1, Arie Ben-Yehuda2, Shai Rosenberg3
1Department of Military Medicine and "Tzameret", Faculty of Medicine, Hebrew University of Jerusalem; and the Medical Corps, Israel Defense Forces, Israel; Gaffin Center for Neuro-Oncology, Sharett Institute for Oncology, Hadassah Medical Center and Faculty of Medicine, Hebrew University of Jerusalem, Israel; The Wohl Institute for Translational Medicine, Hadassah Medical Center and Faculty of Medicine, Hebrew University of Jerusalem, Israel.
The American journal of medicine
|April 8, 2024
概括
多模式机器学习模型准确预测老年患者30天的再入院风险. 这些模型可以帮助识别高风险个体进行有针对性的干预,减少住院再接收.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 老年医学 老年医学
背景情况:
- 对老年患者来说,30天的再入院是一个重大问题,导致健康状况不佳.
- 预测再接收风险对于实施及时干预至关重要.
研究的目的:
- 开发和验证用于预测老年患者30天再入院风险的多式联机机器学习模型.
- 确定导致该人口再接收风险的关键因素.
主要方法:
- 在2014-2020年期间住院的75岁以上患者的回顾性队列研究.
- 开发和验证三种机器学习算法.
- 使用接收机操作员曲线下的面积 (AUROC) 和平均精度进行性能评估.
主要成果:
- 在19,569例入院患者中,有16.65%的患者在30天内重新入院.
- 模型实现了高预测性能,AUROC值高达0.93.
- 关键预测因素包括以前的入院,再入院史,查尔森得分和入院时间.
结论:
- 多模式机器学习有效地识别了30天再入院的高风险老年患者.
- 这些模型可以支持有针对性的预防策略,以减少可避免的再接收.
- 临床笔记的自然语言处理显示了对再接收风险预测的潜力.
