基于机器学习的预测在成人住院患者的住院倒:回顾性观察多中心研究

科学领域:

• 老年医学 老年医学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 住院患者,特别是老年人,有较高的跌倒风险,导致住院时间延长和成本增加.
• 传统的跌倒风险评估可能无法充分捕捉多因素跌倒风险的复杂性.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测65岁及以上患者的住院跌倒.
• 评估不同ML模型的预测性能 (区分和校准).

主要方法:

• 使用诊断程序组合数据和实验室结果对83,917名住院患者进行了回顾性分析.
• 提取人口,临床,功能和药理变量,选取30个关键特征.
• 构建和比较四个模型:逻辑回归,极端梯度增强,光梯度增强机 (LGBM) 和分类增强 (CatBoost),使用解决阶级失衡的技术.

主要成果:

• 跌倒发生在2.6%的患者中. CatBoost表现出最高的F1得分 (0.189) 和精度回忆曲线下的面积 (0.112).
• LGBM显示出最佳的校准 (斜率为0.964) 和良好的区别 (F1得分为0.182).
• 关键预测因素包括低专辑蛋白,转移能力受损,以及使用镇静催眠药或糖尿病药物. 与所有关的跌倒是最常见的 (49.2%),在清晨达到顶峰.

结论:

• CatBoost和LGBM模型为医院内摔倒提供了临床上有价值的预测性能.
• CatBoost适用于识别高风险患者,而LGBM则有助于设定基于概率的干预门.
• 集成到电子健康记录可以实现实时风险评分和有针对性的干预,未来的工作重点是动态数据整合.