针对老年痴呆患者妄风险的基于机器学习的综合预测模型:风险因素识别

科学领域:

• 老年学是一门学科.
• 神经学 神经学
• 人工智能的人工智能

背景情况:

• 痴呆症叠加 Delirium (DSD) 是老年痴呆症患者的一种严重并发症.
• 它呈现出波动的认知,注意力不集中和意识改变,使诊断复杂化.
• DSD增加了认知衰退,住院时间和死亡风险.

研究的目的:

• 开发一种机器学习 (ML) 模型,用于预测老年痴呆症患者的妄想风险.
• 确定DSD的重大风险因素,以帮助临床决策.
• 改进DSD的早期干预策略.

主要方法:

• 从636名老年痴呆症患者中收集前性数据.
• 开发和比较五个ML算法:XGBoost,随机森林,MLP,分类提升和后勤回归.
• 使用SHAP进行特征重要性分析,以确定关键风险因素.

主要成果:

• 极端梯度增强 (XGB) 模型实现了最高的预测性能 (AUC 0.930,精度 0.870).
• 确定的重大风险因素包括脑血管疾病,镇静剂使用,低血红蛋白,高VAS得分,糖尿病和高血压.
• 使用前10个变量的紧型XGB模型也显示出强大的预测能力.

结论:

• 成功开发了一种基于ML的强大的DSD风险预测模型.
• XGB模型在识别患有妄想风险的患者方面提供了高准确度.
• 鉴定的风险因素可以指导有针对性的干预措施,以改善临床环境中的DSD管理.