根据性别预测长期护理院的社会参与:利用机器学习进行基于人口的分析

科学领域:

• 老年学是一门学科.
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 社会参与对于长期护理 (LTC) 设施居民的福祉至关重要.
• 预测和理解影响社会参与的因素可以改善居民的生活质量.
• 现有的评估社会参与的方法可能无法完全捕捉到不同LTC群体中的细微差别.

研究的目的:

• 开发和评估用于预测LTC居民社会参与指数 (ISE) 的机器学习模型.
• 建立通用和性别特定的模型,以评估预测因素的潜在差异.
• 确定与居住在LTC的老年人社会参与相关的关键临床变量.

主要方法:

• 利用了加拿大安大略省203,970名LTC居民的大型基于人口的数据集,跨越了10年 (2010-2020年).
• 采用数据驱动的机器学习方法,包括随机森林,为ISE建立预测模型.
• 将一般模型与性别特定模型的预测性能进行了比较.

主要成果:

• 机器学习模型表现出适度的社会参与预测能力.
• 随机森林模型被确定为最佳方法.
• 对于女性 (0.71比0.69) 和男性 (0.73比0.73),一般和性别特定模型之间的平均绝对误差是可比的.
• 活动追求,认知和身体健康等关键预测因素显示,基于性别的差异很小.

结论:

• 机器学习为预测LTC环境中的社会参与提供了一种可行的方法.
• 影响社会参与的临床因素在男性和女性居民之间基本一致.
• 这些发现支持制定有针对性的干预措施,以加强LTC人群的社会参与.