潜在不合适的多药是老年人30天紧急住院的重要预测因素:一项机器学习功能验证研究

科学领域:

• 老年医学 老年医学
• 医疗信息学 医疗信息学
• 临床流行病学临床流行病学

背景情况:

• 机器学习 (ML) 模型对于预测医疗保健中的临床结果至关重要.
• 提高ML模型的准确性,可概括性和可解释性是临床采用的关键.
• 在不同人群中验证ML识别的风险因素对于广泛的临床实践至关重要.

研究的目的:

• 训练和测试三种ML模型 (随机森林,XGBoost,后勤回归),以预测老年人30天的紧急住院治疗.
• 在这个人口群体中,识别和验证导致紧急住院的关键风险因素.
• 为未来的ML研究和 geriatrics的有针对性的干预措施的发展提供信息.

主要方法:

• 来自英国生物银行数据库的86,870名社区老年人 (≥65岁) 的队列研究.
• 使用人口统计数据,老年综合征,并发症和药物负担指数 (DBI) 作为模型变量.
• 通过使用接收器操作特征曲线下的面积 (AUC-ROC) 和F1分数来评估模型性能.

主要成果:

• XGBoost模型实现了最高的AUC-ROC (0.86),其次是随机森林 (0.78) 和后勤回归 (0.61).
• 对30天紧急住院的验证风险因素包括药物负担指数 (DBI),移动性问题,骨折,跌倒,危险的酒精消费和吸烟.
• 这些经过验证的因素表明,紧急住院治疗的预测能力显著.

结论:

• 成功验证了预测老年人30天紧急住院治疗的重要风险因素.
• 这种验证将指导未来的老年医学ML研究,重点是可概括和可解释的模型.
• 根据验证的风险因素优先考虑干预措施,可以改善患者的治疗结果,并减少医疗保健负担.