在2016年至2023年期间,针对社区老年人频繁住院风险的查:机器学习驱动的项目选择,评分系统的开发和潜在的验证

科学领域:

• 老年医学 老年医学
• 公共卫生 公共卫生
• 医疗保健服务研究 医疗服务研究

背景情况:

• 在社区居住的老年人中,经常住院治疗对医疗保健费用和患者负担作出了重大贡献.
• 目前用于识别高风险再住院患者的现有方法缺乏对决定因素的系统检查和一致的操作定义.
• COVID-19大流行对频繁住院的决定因素的影响尚不清楚.

研究的目的:

• 通过综合老年评估 (CGA) 项目的子集,确定老年人经常住院治疗的关键决定因素.
• 开发和验证一个简短的查工具,用于预测社区环境中经常住院的情况.
• 在COVID-19大流行期间评估这些决定因素的稳定性.

主要方法:

• 使用机器学习方法 (DeepBoost) 从273项CGA中选择预测项目,给1611名老年人 (65岁以上) 进行.
• 为了训练模型,使用了频繁住院的不同操作定义 (2年内2+次住院,或第二年2+次住院).
• 开发了一个风险评分系统,并在两个队列中进行了前性验证,包括在COVID-19大流行期间.

主要成果:

• 一个17项CGA项目的子集,包括药物计数和日常活动所需的援助 (例如,清洁,运输),有效地分类频繁住院治疗 (AUC=0.90).
• 与流动性 (步行辅助器,平衡) 相关的项目,慢性肺炎史和社会服务使用也是重要的预测因素.
• 在COVID-19大流行期间的前性验证显示,该工具保持了良好的预测准确性 (AUC=0.82).

结论:

• 一个简短的查工具从CGA项目的一个小子集可以识别社区居住的老年人高风险的频繁住院治疗.
• 鉴定到的决定因素,重点是功能独立,流动性,慢性疾病和社会支持,在整个COVID-19大流行期间仍然是相关的预测因素.
• 这种方法为社区和初级保健机构的查提供了一个实际的解决方案.