基于机器学习构建老年住院患者内在能力下降风险预测模型：一项可解释性算法的开发与验证研究

《Experimental Eye Research》：Development and validation of an interpretable machine learning model for predicting intrinsic capacity decline in elderly inpatients

本研究针对老年住院患者内在能力（Intrinsic Capacity, IC）下降的早期识别难题，利用支持向量机（SVM）等机器学习算法开发了高精度预测模型（AUC达0.923-0.932），首次揭示心脏病、高血压、握力、年龄与甘油三酯为关键预测因子，为临床实施针对性干预提供循证依据，助力实现健康老龄化。

　　

随着全球人口老龄化进程加速，老年健康问题已成为公共卫生领域的重大挑战。世界卫生组织提出的"内在能力（Intrinsic Capacity, IC）"概念，指个体所有身体机能和心智能力的综合，是衡量老年人健康状态的核心指标。老年住院患者因疾病、手术等因素更易出现IC下降，导致功能受限、生活质量下降和医疗负担加重。然而，目前临床缺乏有效工具对IC下降风险进行早期识别和预测，传统统计方法在处理多维度、非线性临床数据时存在局限，亟需开发更精准的风险预测模型。

在此背景下，李文章 Yuan Li 等研究人员在《Experimental Eye Research》发表论文，通过机器学习算法构建并验证了老年住院患者IC下降的预测模型。该研究收集了来自三家三级综合医院的533名老年住院患者数据，采用支持向量机（Support Vector Machine, SVM）、随机森林等四种机器学习算法进行模型构建，最终确定SVM模型具有最优预测性能（训练集、测试集和验证集的AUC分别为0.923、0.932和0.882），并利用SHAP（Shapley Additive exPlanations）方法对模型进行可解释性分析，识别出心脏病、高血压、握力、年龄和甘油三酯为前五位重要预测因子。

研究主要采用多中心前瞻性队列设计，建模队列来自两家医院，验证队列来自第三家医院。关键技术方法包括：机器学习算法（SVM、随机森林等）、SHAP可解释性分析、受试者工作特征曲线（ROC）评估模型区分度、校准曲线评估模型校准度。所有患者数据均通过标准化随访流程收集，涵盖人口学特征、疾病史和实验室指标等。

方法

研究采用多中心设计，收集老年住院患者的基线数据和一年随访结果。通过单因素分析和LASSO回归筛选预测变量，采用四种机器学习算法构建模型，并通过ROC曲线、校准曲线和决策曲线评估模型性能。SHAP方法用于解释最优模型的特征重要性。

结果

共纳入533例患者，IC下降发生率为50.8%。最终模型纳入8个预测变量，SVM模型表现最佳，训练集、测试集和验证集的AUC（Area Under Curve）分别为0.923 (95%CI: 0.893–0.954)、0.932 (0.871–0.993)和0.882 (0.831–0.933)。SHAP分析显示心脏病、高血压、握力、年龄和甘油三酯是对预测贡献最大的五个特征。

讨论

本研究开发的SVM模型具有良好的预测性能和临床适用性，首次通过可解释性机器学习方法识别出IC下降的关键风险因素。握力作为躯体功能指标、甘油三酯作为代谢指标纳入预测模型，拓展了IC评估的生物学维度。模型有助于早期识别高风险患者，为制定个性化干预措施（如肌力训练、代谢管理）提供依据。

结论

该研究成功构建了基于机器学习的高精度IC下降预测模型，兼具优异区分度和可解释性。研究成果为老年住院患者的健康管理提供了高效工具，通过早期风险预警和针对性干预，有望改善患者预后，促进健康老龄化目标的实现。未来可进一步探索多模态数据融合和实时动态预测模型的开发。