利用机器学习模型,入院第一天就可预测痴呆患者住院效果

2022-10-31

近期发表在《阿尔兹海默病期刊》的一篇论文中,休斯敦卫理公会医院专家利用人工智能和大数据开发了一种集成学习模型,通过分析该院10年来老年痴呆患者的数据,找出了决定这些患者住院治疗结果的风险因素。这些风险因素可为医护人员早期评估和干预提供参考,有望改善患者的治疗,提高生活质量并降低再入院风险。

世界卫生组织(WHO) 一份关于全球健康和老龄化报告显示,到2050年,全球65岁或以上的人口数量将比2010年增加两倍,达到近15亿。具体到我国,2020年全国第七次人口普查的数据显示,65岁以上人口约为1.9亿,占比达13.5%。

老龄化带来的一个关键问题是医疗负担加重和医疗费用上涨。患痴呆症的风险会随着年龄增长而急剧上涨,并且与其他老年患者相比,患有痴呆症的老年人住院更频繁、住院时间也更长,因此医疗费用也更高。对于住院的老年痴呆患者,找出决定出院预后的决定性风险因素,可以减少住院时间,减少病人的痛苦,并尽量减少不利的出院处置。

此前,人工智能和机器学习等早已用于预测痴呆症发病率、诊断和疾病分类,但对于住院患者患者的治疗效果评估上尚无相关应用。

研究数据来自休斯顿卫理公会医院的9家医院,包括2010年1月至2019年12月10年间8407名65岁以上老年痴呆患者的15678次就诊记录。研究人员将这些患者分为四个疾病组,阿尔兹海默病性痴呆(ADD)、血管性痴呆(VD)、帕金森病性痴呆 (PDD),以及其他未指明性痴呆症 (OUD),如额颞叶痴呆症、路易体痴呆症和亨廷顿病痴呆症。通过ICD代码和AI算法在些临床记录中抓取了与住院结果相关的150多个风险因素,涉及人口统计学、医院并发症、既往病史、合并症等。

研究人员首先通过方差分析 (ANOVA) 将150个初始风险因素缩减到35个具有最显着风险因素,再使用Glmnet识别出20个最重要的变量,即就诊时年龄、性别、种族、婚姻状况、体重指数 (BMI)、既往痴呆诊断、脑病、谵妄、身体约束、尿路感染、糖尿病史、入院来源、入院时医疗问题的数量、深静脉血栓 (DVT)、跌倒、阿片类药物、贫血、压疮、抗精神病药和出院诊断次数。研究将这些因素的风险等级分为低风险VS非低风险和高风险VS非高风险,以预测住院结果。

休斯敦卫理公会医院的研究人员和精神科专家将住院时间和出院处置作为评估住院结果的主要指标,并根据这两个指标将住院结果分成三个等级:理想/良好、一般、不理想/差。

http://www.huimei.com/real/img/_@@_16678920134806969.jpg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:

http://www.huimei.com/real/img/_@@_16678920216184555.png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

医院演示预约
提交以下真实信息,我们将尽快联系您