可解释的机器学习方法预测老年人的脆弱和不良结果:与两个纵向队列的开发和验证

科学领域:

• 老年学是一门学科.
• 医疗保健中的人工智能
• 公共卫生 公共卫生

背景情况:

• 早期识别老年人的脆弱性对于预防不良健康结果至关重要.
• 现有的脆弱性预测模型往往缺乏可靠性,解释性和通用性.
• 机器学习为开发更准确,更强大的脆弱性预测工具提供了潜力.

研究的目的:

• 开发和验证可靠和可解释的机器学习模型,用于预测老年人的脆弱性.
• 确定脆弱性的关键预测因素,包括生活方式和心理因素.
• 评估预测的脆弱性与不良临床结果之间的关联.

主要方法:

• 利用中国健康与退休长度研究 (CHARLS) 的数据进行模型开发 (n=3419) 和中国长度健康长寿调查-心力衰竭 (CLHLS-HF) 的数据进行外部验证 (n=1017).
• 应用了六个机器学习模型,XGBoost被选为表现最佳的模型.
• 采用了SHapley添加式解释 (SHAP) 方法来解释模型的可解释性,并评估了预测脆弱与非脆弱个体的临床结果.

主要成果:

• 在内部验证 (AUC=0.934,F1=0.712) 和外部验证 (AUC=0.792,F1=0.702) 中,XGBoost模型表现出强的性能.
• 虚弱的关键预测因素包括日常生活的工具活动,BMI,自我评估的健康和抑郁症.
• 预测为脆弱的个体表现出明显更高的跌倒 (OR=2.11),住院 (OR=1.75) 和残疾 (OR=1.42) 的风险.

结论:

• 开发的XGBoost模型作为一个强大的和可解释的数字工具,用于预测老年人的脆弱性.
• 该模型有效地识别了对不良临床结果风险增加的个体.
• 这种方法提高了及时干预的潜力,以减轻与脆弱性相关的并发症.