基于机器学习的老年人残疾风险预测模型的构建

科学领域:

• 老年学是一门学科.
• 医疗保健中的人工智能
• 公共卫生 公共卫生

背景情况:

• 评估老年人的残疾风险对于及时干预至关重要.
• 现有的方法可能缺乏预测能力来识别高风险个体.
• 需要新的工具来支持医疗保健专业人员在老年护理.

研究的目的:

• 开发和验证用于预测老年人残疾风险的机器学习模型.
• 确定与该人口中残疾发病相关的关键预测因素.
• 为医疗保健专业人员提供一种新的工具,以评估和管理残疾风险.

主要方法:

• 利用来自中国健康与退休长度研究 (2018年,2020年波) 的数据.
• 采用了五种机器学习算法 (随机森林,极端梯度提升等). 为了建立预测模型.
• 应用沙普利增量解释 (SHAP) 来确定残疾风险的独立预测因素.

主要成果:

• 在随访期间,21.9%的参与者患有残疾.
• 随机森林 (RF) 和极端梯度增强 (XGBoost) 模型表现出卓越的性能 (F1得分为0.92,0.86;准确度为0.92,0.85).
• 关键预测因素包括自我评价的健康,教育,睡眠,酒精使用,抑郁症状,高血压和关节炎.

结论:

• 机器学习模型,特别是RF和XGBoost,显示出对老年人残疾风险的强大预测能力.
• 这些模型可以在临床和公共卫生环境中作为早期风险评估的宝贵工具.
• 这些人工智能驱动工具的进一步验证和探索是必要的,以便在实践中实施.