使用机器学习识别与痴呆症护理辅助技术可用性相关的关键因素
Wai Hang Kwok1, Syed Afaq Ali Shah1, Guanjin Wang2
1Edith Cowan University, Western Australia.
Studies in health technology and informatics
|May 17, 2025
概括
机器学习确定了关键因素,如照顾者支持和影响痴呆患者辅助技术可用性的立法. 有针对性的政策和资源对于加强痴呆症护理基础设施和可访问性至关重要.
科学领域:
- 老年学和康复技术的技术.
- 医疗保健中的人工智能
- 公共卫生政策 公共卫生政策
背景情况:
- 辅助技术 (AT) 对于保持痴呆症患者的独立性和生活质量至关重要.
- 对于痴呆症护理的AT可用性受到社会,经济和政策因素的复杂相互作用的影响.
- 了解这些决定因素对于开发有效的支持系统至关重要.
研究的目的:
- 识别和分析影响痴呆症患者辅助技术可用性的关键因素.
- 应用机器学习技术来发现AT可访问性数据中的模式.
- 提供基于证据的建议,以改善痴呆症护理中的AT提供.
主要方法:
- 利用机器学习,特别是随机森林模型,进行预测分析.
- 分析了包括照顾者支持,立法框架和获取世卫组织全球卫生观察中心 (GHO) 可退款产品的数据.
- 通过准确度指标验证模型性能.
主要成果:
- 护理人员的支持成为AT可用性的重要预测因素.
- 保护性立法和获得世卫组织GHO清单中的可退款产品被确定为关键因素.
- 随机森林模型在预测AT可访问性方面表现出高准确性.
结论:
- 有针对性的资源配置和政策干预对于提高痴呆症患者的AT可用性至关重要.
- 加强护理人员支持系统可以改善获得必要辅助技术的机会.
- 政策制定应考虑立法保护和与全球卫生倡议的整合,以改善痴呆症护理基础设施.


