基于机器学习的住院患者跌倒风险预测模型的开发与验证：一种助力精准护理决策的信息技术解决方案

《BMC Medical Informatics and Decision Making》：Development and validation of a machine learning-based prediction model for inpatient fall risk: an informatics solution for empowering precision nursing decision-making

　　

摘要

研究目的

住院患者跌倒问题仍是临床护理领域的重大挑战。诸如莫尔斯跌倒量表之类的传统工具依赖于主观的、静态的评估方式，往往无法捕捉到不断变化的风险因素。本研究旨在利用电子健康记录数据开发并严格验证一种机器学习模型，为跌倒预防提供客观、动态的决策支持工具。

研究方法

我们对2020年1月至2023年12月期间住院的45,782名成年患者进行了回顾性队列研究。从入院记录和日常护理评估中提取了25个具有临床意义的预测因子。缺失数据通过随机森林插补法处理。在十折交叉验证过程中，针对训练数据集采用合成少数类过采样技术来解决类别不平衡问题（跌倒发生率为0.9%）。共比较了五种算法——逻辑回归、随机森林、支持向量机、XGBoost和LightGBM。此外，还使用2024年1月至3月的独立数据集进行了时间验证。模型性能通过接收者操作特征曲线下面积、校准指标、决策曲线分析以及与有同期评分的莫尔斯跌倒量表的对比来评估。同时，还运用SHapley加性解释值来解读模型结果。

研究结果

XGBoost算法表现最佳，在内部测试集上的曲线下面积为0.92（95%置信区间为0.90–0.94），在时间验证中的曲线下面积为0.89（95%置信区间为0.86–0.92）。其校准斜率为0.96，截距为-0.12，表明预测风险与实际风险之间高度一致。在灵敏度为85%时，该模型的精确度为0.24。决策曲线分析显示，在所有临床合理的风险阈值下该模型都具有明显优势。与莫尔斯跌倒量表相比，XGBoost模型的曲线下面积差异为+0.14（p＜0.001），性能更为出色。主要的预测因素包括跌倒史、高龄以及使用镇静催眠药物。

结论

XGBoost模型具备较强的区分能力、良好的校准性能，且相比现有临床实践能带来更多价值。它是一种经过严格验证的预测工具，但在实际临床应用之前仍需开展前瞻性研究。