通过基于机器学习的分析,提高老年患者的 Delirium 预测和预防

科学领域:

• 老年医学 老年医学
• 计算医学是一种计算医学.
• 临床信息学 临床信息学

背景情况:

• 痴呆症是老年住院患者的常见并发症,与不良结果有关.
• 早期识别患有妄想风险的患者对于及时干预至关重要.
• 现有的妄想预测方法可能缺乏准确性和效率.

研究的目的:

• 在老年患者入院后24小时内识别 Delirium 的预测因素.
• 为了评估机器学习 (ML) 模型在预测早期发作的妄想症方面的表现.
• 确定最有影响力的因素,有助于在这个人群中 Delirium 的发展.

主要方法:

• 一项前性队列研究,涉及327名老年患者 (≥65岁) 入院于全科医院.
• 使用四种ML模型分析临床和人口统计数据:逻辑回归,随机森林,梯度增强和支向量机.
• 模型性能使用准确度,精度,回忆度,F1分数和AUC-ROC进行评估;通过交叉验证和特征重要性分析证实了稳定性.

主要成果:

• 随机森林模型实现了最高的性能,准确率为96.9%,F1评分为97.2%,AUC-ROC为98.4%.
• 交叉验证表明模型性能稳定和强大.
• 确定的关键预测因素包括急性损伤,呼吸衰竭,痴呆症,中风和失偿心力衰竭.

结论:

• 机器学习模型,特别是随机森林,显示出在入院24小时内准确预测老年患者妄的巨大潜力.
• 这些发现支持整合ML工具,以加强早期妄检测和有针对性的预防策略.
• 建议对开发的模型进行外部验证,以使其在各种医疗保健环境中更广泛地适用.