关键词:
老年人
急诊室,医院
非计划再入院
机器学习算法
预测模型
摘要:
目的基于不同机器学习算法构建急诊老年患者30 d内非计划再入院的风险预测模型,以帮助临床医护人员早期识别高风险患者,制订预防性干预措施。方法回顾性选取2022年5月至2023年12月中国人民解放军海军军医大学第一附属医院急诊科收治的1207例老年患者作为研究对象,按照约7∶3比例分为训练集(n=842)和测试集(n=365)。采用最小绝对收缩和选择算子(LASSO)回归分析30 d内老年患者非计划再入院的影响因素,基于机器学习算法分别构建极端梯度提升(XGBoost)、轻量梯度提升机(LightGBM)、自适应增强(AdaBoost)、Logistic回归、K最近邻(KNN)、高斯朴素贝叶斯分类(GNB)6种预测模型。对各模型进行综和评估与验证,并用Shapley加法解释分析关键变量的重要性。结果1207例老年患者中,训练集842例,男430例,中位年龄77岁,测试集365例,男176例,中位年龄78岁;采用LASSO回归筛选出8个变量特征,以此构建的XGBoost、LightGBM、AdaBoost、Logistic回归、KNN、GNB 6个预测模型中,GNB模型表现最优,其中测试集的AUC为0.818,灵敏度为0.890,特异度为0.660,且训练集和验证集具有较强的拟合能力和较高的稳定性;影响急诊老年患者30 d内非计划再入院8个特征重要性排序分别为年龄、慢性阻塞性肺疾病、住院时间、察尔森合并症指数≥3、低蛋白血症、异常生命体征≥2个、卒中、贫血。结论基于机器学习算法构建的急诊老年患者30 d内非计划再入院的GNB模型具有良好的预测效果,有助于医护人员在出院前尽早识别高危患者,制订针对性的预防性措施,从而降低患者短期内非计划再入院率,提高患者生命质量。