在社区居住的老年人中预测发生的痴呆症,使用电子健康记录中的初级和二级保健数据

科学领域:

• 神经学 神经学
• 老年学是一门学科.
• 公共卫生 公共卫生

背景情况:

• 预测未来的痴呆风险对于初级预防至关重要,特别是在新的免疫疗法中.
• 很少有人口级预测模型利用常规医疗保健数据.
• 现有的方法往往缺乏与初级和二级保健记录的整合.

研究的目的:

• 开发和评估机器学习模型,以使用例行医疗保健数据预测发病性痴呆.
• 为了比较数据驱动与临床监督模型的痴呆风险预测.
• 在一个大型的纵向队列中确定痴呆症的关键预测因素.

主要方法:

• 2009年4月1日,一项对144,113名苏格兰成年人无痴呆症的纵向回顾性队列研究.
• 梯度增强 (XGBoost) 模型在数据驱动 (171个变量) 和临床监督 (22个变量) 的特征集上进行了训练.
• 内部验证评估了模型的性能,并确定了顶级预测因素,按年龄和社会经济贫困分层.

主要成果:

• 在13年的时间里,11143名 (8%) 参与者患上了痴呆症.
• 与临床监督模型相比,数据驱动模型显示精度回忆AUC得分略高.
• 经过临床监督的模型在13年内实现了与数据驱动模型相比可比的特异性和灵敏性.
• 关键预测因素包括年龄,贫困和脆弱性 (使用修改后的电子脆弱性指数).
• 模型精度在社会经济五分位数中是一致的,但在较年轻发病的痴呆病例中较低.

结论:

• 常规收集的医疗保健数据可用于生成个性化的痴呆风险估计.
• 这些预测可以为风险因素的修改提供信息,并指导诸如脑部成像和免疫疗法等干预措施的向.
• 识别高风险个体,即使在症状前,对于未来的痴呆症预防策略至关重要.