ماشین چندوجهی و پیش‌بینی خطر بستری مجدد ۳۰ روزه در جمعیت سالمند

Ranel Loutati, BSc. Arie Ben-Yehuda, MD. Shai Rosenberg, MD, PhD

بستری مجدد پس از ۳۰ روز مسئله ای شایع در میان بیماران مسن است که موجب پیامدهای نامطلوب برای سلامتی می شود. هدف ما توسعه و اعتبارسنجی مدل‌های یادگیری ماشین چندوجهی برای پیش‌بینی خطر بستری مجدد ۳۰ روزه در بیماران مسن ترخیص شده از بخش‌های داخلی بود.

مواد و روش ها

این کارآزمایی یک مطالعه کوهورت گذشته‌نگر و شامل بیماران مسن ۷۵ ساله یا بالاتر است که بین سال‌های ۲۰۱۴ تا ۲۰۲۰ در بخش‌های داخلی مرکز پزشکی هداسا بستری بودند. سه الگوریتم یادگیری ماشین برای پیش‌بینی خطر بستری مجدد ۳۰ روزه توسعه داده شد و مورد استفاده قرار گرفت. معیارهای اولیه نمرات عملکرد مدل پیش‌بینی‌کننده، به‌ویژه ناحیه زیر منحنی اپراتور گیرنده (AUROC) و دقت متوسط ​​بودند.

نتایج

این مطالعه شامل ۱۹۵۶۹ پذیرش بود. از این تعداد، ۳۲۵۸ نفر (۱۶.۶۵%) منجر به بستری مجدد ۳۰ روزه شدند. ۳ مدل پیشنهادی ما دقت بالایی را با مقادیر AUROC به ترتیب ۰.۸۷، ۰.۸۹ و ۰.۹۳ و مقادیر دقت متوسط ​​۰.۷۶، ۰.۷۸ و ۰.۸۱ نشان دادند. تجزیه و تحلیل ها نشان داد که تعداد پذیرش در سال گذشته، سابقه پذیرش مجدد ۳۰ روزه، نمره چارلسون و طول پذیرش تاثیرگذارترین متغیرها بودند. نکته قابل توجه، نمره پردازش زبان طبیعی، که نشان دهنده احتمال پذیرش مجدد است، در بین ۱۰ عامل موثر قرار گرفت.

نتیجه گیری

استفاده از یادگیری ماشین چندوجهی یک استراتژی امیدوارکننده برای شناسایی بیماران مسن که در معرض خطر بالای بستری مجدد ۳۰ روزه هستند، ارائه می دهد. با شناسایی این بیماران، مدل‌های یادگیری ماشین می تواند اجرای موثر اقدامات پیشگیرانه را برای کاهش حوادث بستری مجدد قابل اجتناب تسهیل کنند.

The American Journal of Medicine. VOLUME 137, ISSUE 7, P617-628, JULY 2024