基于机器学习算法,为老年关节骨折患者建立了术后妄想风险预测模型
Yayun Xing1, Yuetong Wang1, Yuejiao Huang1
1Department of Orthopedics, The Second Affiliated Hospital of Soochow University, Suzhou, China.
BMC geriatrics
|December 23, 2025
概括
机器学习有效地预测了老年关节骨折患者的术后妄想. CatBoost模型确定了关键的风险因素,使早期干预和预防策略能够获得更好的患者结果.
科学领域:
- 老年医学 老年医学
- 数据科学数据科学数据科学
- 手术护理 手术护理
背景情况:
- 手术后妄 (POD) 影响30-40%的老年骨折患者.
- 早期识别和干预对于预防POD至关重要.
- 目前对于POD没有确定的治疗方法.
研究的目的:
- 开发和评估基于机器学习的POD风险预测模型,用于老年关节骨折患者.
- 为了确定与这一群体中POD相关的重大风险因素.
主要方法:
- 对801名老年关节骨折患者的临床数据进行了回顾性分析.
- 开发了六种机器学习模型 (逻辑回归,随机森林,决策树,CatBoost,平衡包装分类器,XGBoost).
- 模型性能使用AUC,精度,精度,灵敏度,特异性和F1得分进行评估,并进行了10倍的交叉验证.
主要成果:
- CatBoost模型获得了最高的性能 (AUC 0.976测试,0.871验证).
- 确定的危险因素包括氧和,血糖,禁食时间,白蛋白,营养状况,VAS和肌素.
- Delirium 的发病率为 26.3% (211/801 名患者).
结论:
- 一个机器学习模型,特别是CatBoost,可以准确地预测老年骨折患者的POD风险.
- 该模型提供了精确的,个性化的风险预测.
- 这种工具可以帮助早期识别风险和针对性干预.
