机器学习算法用于预测患有抑郁症的老年人中伤害性跌倒风险:一个预后建模研究
Grace Hsin-Min Wang1, Yao-An Lee1, Amie J Goodin1
1Department of Pharmaceutical Outcomes & Policy, College of Pharmacy, University of Florida, Gainesville, Florida, USA.
Pharmacotherapy
|November 27, 2025
概括
机器学习模型可以预测患有抑郁症的老年人的3个月跌倒和相关伤害 (FRI) 风险. 这种方法可以识别高风险个体,以便及时进行干预,改善护理和资源分配.
科学领域:
- 老年学是一门学科.
- 在医疗保健中的数据科学.
- 公共卫生 公共卫生
背景情况:
- 跌倒和相关伤害 (FRI) 对患有抑郁症的老年人来说是一个重大的健康负担.
- 目前的预测模型缺乏适应随时间变化的健康动态的能力,限制了主动干预.
研究的目的:
- 开发和验证机器学习算法,用于预测患有抑郁症的老年人3个月FRI风险.
- 为了比较弹性网,随机森林和梯度增强机器模型的性能.
主要方法:
- 利用了65岁以上的全国性收费医疗保险受益者队列,诊断患有抑郁症.
- 雇佣了261个时间变化的预测器,每3个月更新一次,以预测随后的3个月的FRI风险.
- 使用c统计和风险分层评估模型性能.
主要成果:
- 随机森林模型实现了0.68的c-统计,捕获了最高风险分数内的68.9%的FRI病例.
- FRI的主要预测因素包括脆弱性,年龄,以前的FRI病史和抗抑郁剂剂量.
- 低风险个体 (底部7个分数) 显示FRI发病率最低 (<1.7%).
结论:
- 一种实用的,时间变化的预测模型有效地识别了患有抑郁症的老年人,他们面临高风险的跌倒和相关伤害.
- 这种动态方法支持临床决策,并优化了防摔资源的部署.
- 随着时间的推移,模型的更新能力提高了它对持续风险管理的有用性.
