
-
生物通官微
陪你抓住生命科技
跳动的脉搏
利用关联的初级和二级护理电子健康记录数据,通过无监督机器学习识别跌倒高风险患者群体
《Scientific Reports》:Identifying high-risk patient clusters for falls using unsupervised machine learning on linked primary and secondary care electronic health record data
【字体: 大 中 小 】 时间:2026年07月07日 来源:Scientific Reports 4.9
编辑推荐:
摘要跌倒风险是由多种因素共同导致的,包括临床因素和社会人口学因素。尽管相关指南已认识到这种复杂性,但大多数研究都集中在个体风险因素上,而对多种疾病共同作用所带来的影响研究相对较少。这项针对全体人群的研究利用初级和二级医疗机构之间的电子健康记录,通过无监督聚类分析,识别出伦敦西北部
跌倒风险是由多种因素共同导致的,包括临床因素和社会人口学因素。尽管相关指南已认识到这种复杂性,但大多数研究都集中在个体风险因素上,而对多种疾病共同作用所带来的影响研究相对较少。这项针对全体人群的研究利用初级和二级医疗机构之间的电子健康记录,通过无监督聚类分析,识别出伦敦西北部地区的跌倒风险群体,并根据患者需要因跌倒而接受住院治疗的可能性对她们进行分类。我们使用编码后的跌倒风险因素,对来自伦敦西北部普通诊所的患者的记录进行了聚类分析。将不同聚类组与因跌倒而住院治疗的风险进行比较。在四个识别出的聚类组中,有两组年龄较大且患有多种疾病的患者,因跌倒而住院治疗的可能性是其他患者的11倍(风险比11.45,95%置信区间为10.14–12.92;风险比11.63,95%置信区间为10.30–13.13),而且他们的平均住院时间也明显长于那些较年轻、身体状况较好的患者。在另外两个较年轻的聚类组中,生活条件较差的患者因跌倒而住院治疗的可能性高出29%(风险比1.29,95%置信区间为1.12–1.49)。这些研究结果表明,通过对常规收集的电子健康记录进行聚类分析,可以识别出最容易因跌倒而需要住院治疗的人群群体,从而有助于制定更加有针对性的多因素风险评估和预防策略。