基于机器学习的老年人计划性家庭护理随访间隔预测：YASAM观察性队列的研究证据

《Journal of the American Medical Directors Association》：Machine Learning-Based Prediction of Planned Home Care Follow-Up Intervals in Older Adults: Evidence From the YASAM Observational Cohort

　　

摘要

研究目的

本研究旨在构建并验证机器学习模型，用于预测参加YASAM（健康老龄化团队支持式家庭护理服务）项目的老年人所需的家庭护理随访间隔时间。

研究设计

该研究是对一项多中心观察性队列研究的二次分析。

研究背景与参与者

研究共纳入了2023年至2024年间参加YASAM项目的4783名80岁及以上的社区居住老年人。

研究方法

主要研究指标为随访频率时间，即由跨学科老年护理团队在完成全面老年评估后确定的连续两次面对面家庭护理访问之间的计划间隔时间，这一时间也被用作模型构建的参考标准。随访频率时间被分为短间隔（≤30天）、中间隔（31-90天）和长间隔（>90天）三类。研究共评估了17个潜在预测因子，这些因子涉及人口统计学、临床状况、认知功能、身体功能、营养状况、情绪状态、虚弱程度以及身体表现等多个方面。经过基于相关性的特征筛选后，最终保留了8个核心预测因子。缺失数据通过逐个特征插补的方式进行处理。研究采用了随机森林、极端梯度提升和前馈人工神经网络三种模型，数据划分比例为70/15/15，分别用于训练、验证和测试。模型性能通过准确率、精确度、召回率、F1分数以及混淆矩阵等指标进行评估。

研究结果

极端梯度提升模型的分类性能最佳，其准确率为83%，精确度为0.83，召回率为0.82，F1分数也为0.82。随机森林模型的准确率为81%，而人工神经网络的准确率为78%。错误分类大多发生在相邻的随访间隔类别之间。通过SHapley加性解释方法的分析表明，身体表现、认知功能、营养状况以及与虚弱相关的因素是影响随访间隔预测的主要因素。

结论与意义

研究表明，机器学习模型在预测社区居住老年人的随访间隔时间方面具有较好的预测能力，而这些预测结果是由跨学科团队共同确定的。可解释人工智能分析则凸显出多维度老年评估结果对个性化随访计划制定的重要性。这些发现表明，人工智能辅助决策支持在家庭护理安排中具有潜在应用价值，不过在将其常规应用于临床之前还需进行外部验证。

章节节选

研究设计

本研究是对在土耳其巴勒克埃西尔开展的YASAM观察性队列研究进行的二次分析。¹⁹ YASAM项目为社区居住的老年人提供全面老年评估服务，并通过跨学科团队合作为他们制定个性化的家庭护理随访计划。本研究遵循TRIPOD-AI报告指南进行设计和报告，以此确保基于机器学习的预测模型能够以透明、可重复且易于临床理解的方式呈现。²⁰

该研究已获得

研究人群

本研究共纳入了4783名社区居住的老年人作为分析对象。这些人的年龄中位数为87岁（四分位数范围为85-90岁），其中63.4%为女性（n = 2869）。修正后的Charlson合并症指数中位数为1（四分位数范围为1-2）。有27.0%的参与者存在中度至重度的功能障碍（n = 1290），55.3%的参与者需要中度或高度的照护支持。此外，还有26.1%的参与者被判定为中度或重度虚弱。全面老年评估的结果显示

讨论

本研究证明了人工智能辅助决策支持在预测老年人家庭护理随访间隔时间方面的潜力。我们利用从YASAM观察性队列研究和全面老年评估中获取的真实数据，构建并评估了多种机器学习模型，这些模型能够复现跨学科老年护理团队所做出的随访间隔决策。性能最佳的模型整体准确率为83%，这一数值表明该模型与临床医生确定的随访间隔时间具有较高的一致性

结论与意义

总体而言，对于参加YASAM项目的社区居住老年人来说，机器学习模型在预测由跨学科团队确定的随访间隔时间方面具有出色的预测能力。性能最佳的XGBoost模型不仅具备较强的预测性能，还能通过基于SHAP的可解释性分析保持一定的临床可解释性。研究结果表明，个性化随访计划的制定受到多维度老年评估结果的显著影响，

利益冲突声明

作者声明不存在任何利益冲突。

致谢

作者感谢所有参与YASAM项目的参与者及医疗护理人员，同时也感谢相关省级卫生部门的支持与帮助。

Bilal Katipo?lu|Furkan Karaman

土耳其安卡拉省安卡拉伊尔迪勒姆贝亚齐特大学医学院内科老年病科