开发和验证一种基于机器学习的风险预测模型,用于在患有骨折的老年患者中进行术后妄想的风险预测
Weili Zhang1, Nan Tang1,2, Jie Song1
1Department of Nursing, The First Medical Center of PLA General Hospital, Beijing, China.
概括
机器学习准确地预测了老年关节骨折患者手术后妄想风险. 使用诸如预后营养指数等因素的XGBoost模型识别了针对性干预的高风险个体.
科学领域:
- 老年医学 老年医学
- 手术瘤学手术瘤学
- 在医疗保健中的数据科学.
背景情况:
- 手术后妄 (POD) 在老年人中显著增加了发病率和死亡率.
- 早期识别POD高风险患者对于及时干预至关重要.
- 关节骨折手术在管理POD风险方面是一个特殊的挑战.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测接受关节骨折手术的老年患者的POD风险.
- 在这个患者群体中确定POD的关键预测因子.
- 评估开发的预测模型的临床适用性.
主要方法:
- 追溯收集了2516名患有关节骨折的老年患者的数据.
- 使用物流回归,随机森林,CART,SVM和XGBoost构建预测模型.
- 沙普利添加式扩展 (SHAP) 分析用于模型解释性和顶级预测者的识别.
- 在176名患者中对最佳模型的外部验证.
主要成果:
- 在训练集中,XGBoost模型实现了最高的预测性能 (AUC=0.92,精度=86.4%).
- 预后营养指数 (PNI),ASA分类和年龄被确定为POD的前三大预测因素.
- 外部验证证实了XGBoost模型的强大性能 (AUC=0.89),证明了其临床适用性.
结论:
- 一个可解释的基于ML的模型有效地预测了老年关节骨折患者的POD风险.
- 该模型有助于开发个性化干预措施并优化资源配置.
- 可解释的框架增强了医生对预测模型可靠性的信任和理解.
