开发一个预测模型,用于认知障碍的老年人严重疾病后的认知障碍
Ashley E Eisner1, Lauren Witek2, Nicholas M Pajewski3
1Department of Internal Medicine, Section on Pulmonology, Critical Care, Allergy & Immunologic Diseases, Wake Forest University School of Medicine, 2 Watlington Hall, 1 Medical Center Boulevard, Winston-Salem, NC, 27157, USA.
BMC geriatrics
|November 29, 2024
概括
机器学习使用电子健康记录数据准确地预测重症监护室 (ICU) 退院后老年人的新认知障碍或痴呆症. 这种工具可以帮助识别有风险的个体,以便及时进行查和支持.
科学领域:
- 老年学是一门学科.
- 关键护理医学 关键护理医学
- 神经科学是一个神经科学.
背景情况:
- 认知障碍和痴呆症是老年人的常见后果.
- 在重症监护室 (ICU) 退院后对认知衰退进行查,建议对高危人群进行查.
- 需要预测模型来识别需要有针对性的认知查和支持资源的患者.
研究的目的:
- 开发和内部验证一个机器学习模型,以预测严重疾病后老年人新的认知障碍或痴呆症.
- 为了利用电子健康记录 (EHR) 数据进行模型开发.
- 为指导放弃后查和支持资源的分配提供指导.
主要方法:
- 分析了一组8,299名60岁以上的成年人,他们在2015-2021年期间被录取到学术卫生系统的ICU.
- 包括≥48小时ICU住院,≥2次住院前门诊和≥1次出院后门诊的患者.
- 一个斜随机生存森林 (ORSF) 机器学习模型分析了54个结构化的EHR数据元素在退院后3个月内,以预测1年内认知障碍诊断.
主要成果:
- 在出院后的一年内,4.9%的患者被诊断为认知障碍或痴呆症;22%的队列死亡.
- ORSF模型表现出良好的预测性能,其c-统计值为0.83.
- 模型的辨别能力随着时间的推移而保持稳定.
结论:
- 利用可访问的EHR数据的机器学习模型可以以可靠的准确度预测老年人1年后的ICU认知障碍或痴呆症.
- 开发的模型显示,有潜力改善在出院后需要认知查的个体的识别.
- 需要进一步的研究来评估这种预测工具对认知障碍查策略的临床影响.
更多相关视频
06:58Highlighting and Reducing the Impact of Negative Aging Stereotypes During Older Adults' Cognitive Testing
Published on: January 24, 2020
7.3K
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
7.0K
