机器学习的应用用于在住院期间识别老年患者的脆弱性
Yin-Yi Chou1,2, Min-Shian Wang3,4, Cheng-Fu Lin1,5,6,7
1Center for Geriatrics & Gerontology, Taichung Veterans General Hospital, Taichung, Taiwan.
BMC medical informatics and decision making
|September 28, 2024
背景:
早期识别衰弱患者并进行早期干预治疗，可最大限度地减轻与衰弱相关的医疗负担。本研究探讨了利用机器学习（ML）在患有急性疾病的住院老年患者中检测衰弱状态的应用。
方法:
我们纳入了2012年至2022年间在中国台湾台中荣民总医院老年医学科住院的患者。我们比较了四种机器学习模型，包括逻辑回归、随机森林（RF）、极端梯度提升和支持向量机（SVM），用于预测衰弱状态。特征窗口和预测窗口均设定为入院前半年。此外，采用Shapley加性解释图和部分依赖图识别Fried衰弱表型，以在领域、特征及个体等多个层面解释模型。
结果:
共纳入3367例患者，其中2843例为衰弱患者。采用21个特征训练预测模型。在4种测试的算法中，支持向量机（SVM）的AUROC、精确度和F1分数最高，分别为78.05%、94.53%和82.10%。在21个特征中，年龄、性别、多病共存衰弱指数、分诊等级、血红蛋白、中性粒细胞比率、估算的肾小球滤过率、血尿素氮和钾因具有较高的绝对值而被识别为更具影响力的因素。
结论:
我们的结果表明，利用医院临床数据系统中一些易于获取的参数，结合监督式机器学习方法，可预测住院老年患者的衰弱状况。
