JNM:利用机器学习开发住院患者的跌倒预测模型
2023-04-29 小文子 MedSci原创 发表于上海
预防跌倒是关键变量。包含它的模型比不包含它的模型更好地检测到跌倒的风险。
传统检测跌倒风险的工具是基于危险因素,而不是缓解因素。机器学习可以处理更广泛的变量,提高患者风险识别。Journal of Nursing Management杂志发表了一项研究,目的是创建一个模型,在考虑到预防跌倒变量的情况下,检测有跌倒风险的人群,并了解在不考虑它时对模型性能的影响。
数据收集日期为2018年1月1日至2019年12月31日。总样本为22515名受试者。使用2018年1月1日至12月31日之间的样本(n = 11134)来训练模型,使用2019年1月1日至12月31日之间的样本(n = 11381)来验证模型。研究进行了文献回顾,以确定跌倒的预测因素。共选取了91个变量。
样本总数为22515例,平均年龄71岁,其中72岁以上占58.5%(n = 13180)。男性占56.4%(n = 12696),非独居者占86%(n = 19266)。平均住院时间为7d;6.54%(n = 1469)有过跌倒史,最常见的疾病是慢性阻塞性肺疾病(31.93%,n = 7189),其次是糖尿病(27.34%, n = 6156)和充血性心力衰竭(26.09%,n = 5519)。
在模型a中,三个变量的贡献超过了平均权重的80%。这些变量按降序排列为:预防跌倒(FP)、年龄和精神病治疗天数。FP变量所占的比重几乎是年龄变量的两倍。在模型b中,有10个变量的平均权重超过80%。这些变量按降序排列:住院天数、尿失禁、精神病治疗天数、性别、关节炎、出生地、糖尿病史、跌倒风险、血红蛋白实验室值和慢性阻塞性肺疾病史。
a模型(有预防跌倒变量)在敏感性(0.74 vs 0.71)、特异性(0.82 vs 0.74)和AUC(0.82 vs 0.78)上均优于b模型(没有预防跌倒变量)。
预防跌倒是关键变量。包含它的模型比不包含它的模型更好地检测到跌倒的风险。研究创建了一个决策支持工具,帮助护士识别有跌倒风险的患者。当它被集成到电子医疗记录中时,减少了护士的工作量,不必手动收集信息。
原文出处:
Mireia Ladios-Martin, Maria-José Cabañero-Martínez, et al, Development of a predictive inpatient falls risk model using machine learning, Journal of Nursing Management, 2023, DOI: 10.1111/jonm.13760.
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言