基于机器学习的监督预测,对老年人骨折后住院死亡率的预测.
Eduardo Guzmán-Muñoz1,2, Manuel Vásquez-Muñoz3,4, Yeny Concha-Cisternas5
1Escuela de Kinesiología, Facultad de Salud, Universidad Santo Tomás, Talca 3460000, Chile.
Diagnostics (Basel, Switzerland)
|February 27, 2026
概括
机器学习模型使用行政数据准确地预测了患有关节骨折的老年人住院死亡率. 这些模型可以帮助早期风险分层,并改善医疗保健中的临床决策.
科学领域:
- 老年医学 老年医学
- 医疗信息学 医疗信息学
- 数据科学数据科学数据科学
背景情况:
- 老年人骨折导致显著的发病率,功能衰退和死亡率.
- 早期识别高风险患者对于临床决策和资源分配至关重要.
研究的目的:
- 开发和验证监督机器学习模型,以预测患有关节骨折的老年人住院死亡率.
- 利用智利全国的行政数据进行模型开发和验证.
主要方法:
- 从72家公立医院使用医院出院记录 (2019-2024) 进行回顾性队列研究.
- 使用分层训练测试分区训练和评估多个监督机器学习算法.
- 通过AUC-ROC评估模型性能,精度,回忆,F1得分,并通过SHAP探索可解释性.
主要成果:
- 分析了40,253个住院病例.
- 渐变增强模型实现了最高的性能 (AUC-ROC:0.885).
- 在SHAP分析中,年龄,并发症和手术治疗被确定为死亡风险的关键预测因素.
结论:
- 监督机器学习模型有效地使用行政数据预测关节骨折后医院死亡率.
- 可解释模型可以支持国家一级的早期风险分层和临床决策.
