一个基于机器学习的模型,用于预测维持血液透析的老年患者的认知虚弱风险

科学领域:

• 老年病学和科.
• 医疗保健中的人工智能
• 认知科学 认知科学

背景情况:

• 接受维持血液透析 (MHD) 的老年患者面临认知虚弱 (CF) 的高风险,这会影响他们的生活质量.
• 现有的CF风险预测模型缺乏有效临床应用所需的准确性.
• 早期识别和干预对于在这个脆弱人群中管理CF至关重要.

研究的目的:

• 在接受维持血液透析 (MHD) 的老年患者中确定认知虚弱 (CF) 的关键决定因素.
• 在这个患者群体中开发和验证基于机器学习的CF风险预测模型.
• 为早期预测和个性化CF管理提供一个工具.

主要方法:

• 总共有1,075名老年MHD患者被纳入建模组,另外269人用于外部验证.
• 认知脆弱性 (CF) 通过使用化表型脆弱性 (FP) 和蒙特利尔认知评估尺度 (MOCA) 进行评估.
• 机器学习算法,包括堆叠组合,用于构建和评估使用人口统计,临床和心理社会数据的预测模型.

主要成果:

• 研究的老年MHD患者中,认知虚弱 (CF) 的患病率为14.2%.
• 确定的重大风险因素包括年龄,居住地,支付方式,运动,酒精使用,透析,血清白蛋白,,胆固醇,BUN,营养不良得分和抑郁症得分.
• 最优的堆叠组合模型显示了高预测性能 (AUC=0.911),外部验证 (AUC=0.832).

结论:

• 机器学习模型,特别是堆叠方法,为预测老年维护血液透析 (MHD) 患者的认知虚弱 (CF) 风险提供了强大而准确的方法.
• 开发的预测工具可以帮助医疗保健专业人员在早期识别和针对CF进行有针对性的干预.
• 这项研究为个性化风险管理策略提供了宝贵的见解,以改善老年MHD患者的生活质量.