预测住院结果大多使用的基线模型包括K近邻算法 (KNN)、随机森林和决策树模型。该研究用堆叠集成方法将决策树和随机森林集成到多目标检测模型中。数据进行随机分配,其中10,452条就诊记录的数据用于模型训练,识别低风险和高风险的住院结果,另外5226条就诊记录用于模型测试。随后研究人员将其模型性能与多层感知器 (MLP) 神经网络和其他基线模型的性能进行了比较,并通过特征重要性分析来改善模型解读功能,提高预测准确性。
对比显示,堆叠模拟机器学习模型表现最好,准确率达到95.6%,比其他基线模型都要高。经过分析,在四个疾病组中影响住院治疗效果的风险因素排名如下:上述因素中,有些是可预防、可控制、或可改善的,通过干预可以减少其对患者住院效果的影响,例如脑病、感染、贫血、压疮和跌倒。也有一些因素是无法通过临床干预改变的,例如年龄、性别、入院来源、老年痴呆病史等。虽然对不可变因素做不了太多,如年龄、种族等,但可以对可变因素实施干预。
四种老年痴呆疾病中,年龄、BMI、脑病、入院来源、入院时健康问题数、压疮对住院结果的影响都排在前十名,也就是说前十名指标中重合率达到了60%。其中脑病、压疮都可以在住院治疗中采取积极措施来避免。
入院时健康问题数和压疮在四个预测模型中都排名很高,可被认为是导致出院处置不佳的强关联因素。
脑病和入院来源在三个病种中预测性较高。就入院来源说,相比于急诊和急性诊疗机构转诊来的患者,医生或诊所转诊的患者出院处置结果更好。可针对可能导致脑病的症状提供及时治疗,例如代谢、感染、早期精神错乱等,以改善患者的住院治疗效果。
对于VD和OUD患者而言,有无跌倒史或跌倒风险是预测住院效果的重要指标,因此可在这些患者住院期间重点预防跌倒。
该模型可以找出不同老年痴呆患者的主要风险因素,帮助医护人员更好地分配资源,在最需要的地方进行重点护理管理,及时实施方案。这些干预措施可写进医院的临床路径,在患者一入院时就进行风险预测,针对性为患者设计住院治疗方案。
【参考资料】Risk factors and machine learning model for predicting hospitalization outcomes in geriatric patients with dementiahttps://alz-journals.onlinelibrary.wiley.com/doi/10.1002/trc2.12351成为我们的
合作伙伴