
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于机器学习的多发伤患者家庭照护者出院后照护负担动态轨迹及影响因素分析
《BMC Medical Informatics and Decision Making》:Analysis of longitudinal changes and predictive factors of caregiver burden in patients with polytrauma
【字体: 大 中 小 】 时间:2026年10月14日 来源:BMC Medical Informatics and Decision Making 5.5
编辑推荐:
摘要目的探讨多发伤患者家庭照护者在出院后不同时点的照护负担动态变化轨迹,识别关键决定因素,并利用机器学习方法探索与照护负担相关的因素。方法本研究为纵向研究,采用方便抽样方法纳入创伤中心275名家庭照护者。使用照护者负担量表(CBI)于出院后1周、1个月、3个月和6个月评估照护
探讨多发伤患者家庭照护者在出院后不同时点的照护负担动态变化轨迹,识别关键决定因素,并利用机器学习方法探索与照护负担相关的因素。
本研究为纵向研究,采用方便抽样方法纳入创伤中心275名家庭照护者。使用照护者负担量表(CBI)于出院后1周、1个月、3个月和6个月评估照护负担。同期收集的数据包括患者临床指标、照护者人口学特征及心理社会指标。候选变量首先通过Pearson相关分析(|r| > 0.3)进行筛选,随后进行多重共线性评估,继而应用极端梯度提升(XGBoost)和随机森林(RF)模型进行探索性分析。模型拟合度采用决定系数(R2)评估。
CBI总分呈持续下降趋势:1周时为37.90 ± 15.80,1个月时为31.60 ± 17.46,3个月时为23.43 ± 17.78,6个月时为16.45 ± 17.88,不同时点间差异具有统计学意义(P < 0.01)。CBI各维度得分的变化趋势与总分一致。在探索性机器学习分析中,XGBoost模型显示出最高的模型拟合度(R2 = 0.99)。对模型贡献显著的特征包括左下肢损伤程度和照护负担各维度得分。鉴于CBI总分由其各维度得分在数学上推导得出,对较高的模型拟合度应谨慎解读,不应将其视为前瞻性预测准确性的证据。
家庭照护者负担随患者康复逐渐减轻。早期主观负担感知和患者损伤情况与照护负担相关。探索性机器学习分析为理解与照护负担相关因素的相对贡献提供了额外见解;然而,观察到的模型性能不应被解读为临床预测效用的证据。
探讨多发伤患者家庭照护者在出院后不同时点的照护负担动态变化轨迹,识别关键决定因素,并利用机器学习方法探索与照护负担相关的因素。
本研究为纵向研究,采用方便抽样方法纳入创伤中心275名家庭照护者。使用照护者负担量表(CBI)于出院后1周、1个月、3个月和6个月评估照护负担。同期收集的数据包括患者临床指标、照护者人口学特征及心理社会指标。候选变量首先通过Pearson相关分析(|r| > 0.3)进行筛选,随后进行多重共线性评估,继而应用极端梯度提升(XGBoost)和随机森林(RF)模型进行探索性分析。模型拟合度采用决定系数(R2)评估。
CBI总分呈持续下降趋势:1周时为37.90 ± 15.80,1个月时为31.60 ± 17.46,3个月时为23.43 ± 17.78,6个月时为16.45 ± 17.88,不同时点间差异具有统计学意义(P < 0.01)。CBI各维度得分的变化趋势与总分一致。在探索性机器学习分析中,XGBoost模型显示出最高的模型拟合度(R2 = 0.99)。对模型贡献显著的特征包括左下肢损伤程度和照护负担各维度得分。鉴于CBI总分由其各维度得分在数学上推导得出,对较高的模型拟合度应谨慎解读,不应将其视为前瞻性预测准确性的证据。
家庭照护者负担随患者康复逐渐减轻。早期主观负担感知和患者损伤情况与照护负担相关。探索性机器学习分析为理解与照护负担相关因素的相对贡献提供了额外见解;然而,观察到的模型性能不应被解读为临床预测效用的证据。