《Geriatrics & Gerontology International》：A Machine Learning–Derived Risk Scorecard for Pneumonia Hospitalization in Japanese Old-Old Adults
编辑推荐：
摘要专业翻译
目的：本研究旨在利用常规采集的衰弱筛查问卷及医疗索赔数据，开发并内部验证一个基于机器学习的风险评分卡模型，用于预测日本社区居住、年龄≥75岁老年人群在1年内因肺炎住院的风险。
方法：研究人员开展了一项回顾性队列研究，纳入了2020年4月至2024
摘要专业翻译
目的：本研究旨在利用常规采集的衰弱筛查问卷及医疗索赔数据，开发并内部验证一个基于机器学习的风险评分卡模型，用于预测日本社区居住、年龄≥75岁老年人群在1年内因肺炎住院的风险。
方法：研究人员开展了一项回顾性队列研究，纳入了2020年4月至2024年3月期间完成高龄者健康体检问卷（QMCOO）的1,098,404名社区居住、年龄≥75岁的成年人，数据来源于后期高龄者医疗制度索赔数据库。数据按70%和30%的比例划分为训练集和测试集。研究人员构建了一个由20个基础学习器组成的超级学习器（Super Learner）集成模型，用于预测1年内肺炎住院（国际疾病分类第十版ICD-10编码：J12–J18，J69）。此外，研究人员在训练集中独立推导了一个包含17个特征的基于分值的评分卡模型（总分0–21分），并采用Platt校准。模型性能通过受试者工作特征曲线下面积（AUC）、校准斜率及校准度（calibration-in-the-large）进行评估。
结果：在1,098,404名参与者中（平均年龄80.6岁[标准差SD 5.0]；男性占40.3%），有4,525人（0.41%）发生肺炎住院。在测试集上，超级学习器模型的AUC为0.823（95%置信区间CI，0.812–0.834），评分卡模型的AUC为0.786（95% CI，0.774–0.798），后者显示出良好的校准性能（校准斜率1.017；校准度?0.001）。将参与者分为低风险组（0–6分；占55.6%，事件发生率0.12%）、中风险组（7–10分；占35.4%，事件发生率0.49%）和高风险组（≥11分；占9.0%，事件发生率1.91%），风险梯度达15.9倍。
结论：基于QMCOO的风险评分卡模型在该人群中预测1年内肺炎住院具有良好的区分度和校准性能。若经外部验证，该工具可能有助于在常规健康体检中识别高风险个体，并支持基层医疗中针对性的预防性评估。
论文解读
一、研究背景与目的
社区获得性肺炎（CAP）是老年人住院和死亡的主要原因之一，其发病率在75岁以后急剧上升。在日本，社区发病肺炎的年发病率估计为每10万15岁及以上人口1,690例，其中85岁及以上人群的发病率约为15–64岁成年人的10倍。老年CAP住院患者的院内死亡率据报道在2%至30%之间。除急性期不良结局外，CAP住院还可能导致功能衰退、肌肉无力、身体功能下降以及随后的认知功能下降，且住院期间的功能衰退往往在出院后持续存在，并与再入院或死亡风险增加相关。因此，预防老年人CAP可能有助于改善预后并减轻医疗系统负担。
老年人肺炎住院的许多危险因素具有潜在可修饰性。衰弱相关状况，包括身体、认知、口腔和营养状况的损害，已被认为是肺炎的重要危险因素。由于这些脆弱性常常共存，早期识别肺炎高风险个体可能支持风险分层和预防性干预的优先级排序。在日本，15项高龄者健康体检问卷（QMCOO）作为75岁及以上老年人强制性健康体检计划的一部分每年实施，用于预防衰弱。虽然QMCOO总分作为一般衰弱指标有用，但它对所有条目赋予相同权重，无法反映各条目对肺炎风险贡献的差异。此外，仅QMCOO问卷条目无法捕捉合并症和用药等临床危险因素，限制了其对疾病特异性预测的效用。将QMCOO条目与基于索赔的临床指标相结合并应用机器学习，可能实现对肺炎住院的预测。然而，据研究人员所知，尚无研究利用综合衰弱指标开发此类模型。因此，本研究旨在利用常规收集的QMCOO和索赔数据，开发并内部验证一个机器学习模型以预测75岁及以上社区居住个体的肺炎住院风险，并开发一个临床可解释的风险评分卡。
二、研究设计与方法概述
研究人员开展了一项回顾性队列研究，使用JMDC高龄者医疗索赔数据库（JMDC Inc.，东京，日本），该数据库包含日本全国后期高龄者医疗制度下75岁及以上人群的匿名化索赔数据，包括QMCOO健康体检数据、住院和门诊医疗索赔以及处方记录。研究纳入2020年4月至2024年3月期间完成QMCOO的个体，共1,098,404人符合纳入标准。纳入标准包括：完整回答全部15项QMCOO条目、有可用的体质指数（BMI）数据、以及至少1年随访或1年内发生研究结局。排除有肺炎相关住院史或当前使用胃造瘘管的个体。主要结局为QMCOO筛查日期（索引日期）后365天内首次因肺炎住院，采用ICD-10编码J12–J18和J69作为入院主要原因进行识别。共选择20个候选预测变量，包括全部15项QMCOO条目、年龄、性别、BMI、查尔森合并症指数（CCI）评分以及筛查前90天内独特处方药物数量。数据按结局和日本财政年度分层随机分为训练集（70%）和测试集（30%）。研究人员构建了一个由20个基础学习器组成的超级学习器集成模型，通过非负最小二乘法结合10折结局分层交叉验证进行组合。鉴于事件发生率低（0.41%），研究人员刻意未应用类别再平衡技术，保留自然患病率，并通过Platt缩放进行概率校准。此外，研究人员独立开发了一个可解释的评分卡模型，通过相关性过滤、LASSO、岭回归和方差分析排序特征，通过内部交叉验证选择特征数量，并拟合Platt校准的逻辑模型。模型性能通过AUC、校准斜率、校准度（CITL）、Brier评分和Kolmogorov–Smirnov统计量进行评估。
三、研究结果
基线特征：在1,098,404名参与者中，4,525人（0.41%）在1年内因肺炎住院。平均年龄80.6岁（SD 5.0），男性占40.3%，平均BMI为22.8 kg/m2。因肺炎住院者年龄更大、男性比例更高、BMI更低，且在全部15项QMCOO条目中报告更多不良应答。
超级学习器性能：超级学习器在测试集上的AUC为0.823（95% CI，0.812–0.834），Brier评分为0.0041，校准斜率1.101，校准度?0.002。按置换重要性分析，男性性别、BMI、年龄、药物数量和合并症负担贡献最大。
风险评分卡性能：研究人员从训练集推导出一个包含17个特征的整数评分模型（范围0–21分），其测试集AUC为0.786（95% CI，0.774–0.798），校准斜率1.017，校准度?0.001，Brier评分0.0041。超级学习器的AUC超过整数评分模型0.037（95% CI，0.030–0.044）。评分卡的关键预测因子包括男性性别、高龄、低BMI和合并症负担，与已知肺炎危险因素一致。
风险分层：训练集衍生的截断值定义了低风险组（0–6分；占55.6%；事件发生率0.12%）、中风险组（7–10分；占35.4%；事件发生率0.49%）和高风险组（≥11分；占9.0%；事件发生率1.91%），风险梯度达15.9倍。评分≥7分标记了44.4%的参与者并捕获了83.8%的事件（阳性预测值PPV 0.78%；需筛查人数NNS 128），而评分≥11分标记了9.0%并捕获了41.6%（PPV 1.91%；NNS 52）。决策曲线分析显示在临床相关阈值概率下具有正向净收益。
亚组分析：整数评分AUC在女性和男性中均为0.776，在75–79、80–84、85–89和≥90岁年龄组中分别为0.752、0.743、0.723和0.670。在≥90岁参与者中，AUC为0.670（95% CI，0.639–0.700），校准斜率0.452，校准度+0.586，提示该年龄组预测性能下降。
敏感性分析：全队列事件发生率在2020–2023财政年度分别为0.37%、0.39%、0.66%和0.39%，相应测试集整数评分AUC为0.803、0.787、0.810和0.779。竞争风险分析显示，Aalen–Johansen肺炎累积发病率为0.378%（95% CI，0.367–0.389），与Kaplan–Meier估计的补数（0.381%）相差仅0.003个百分点。在全合格队列评估中，排除的死亡者明显更衰弱，最终模型的区分度基本保持（IPCW加权AUC 0.818和0.782），预测值适度高估了人群风险（预测-观察比1.10）。
四、讨论与结论
本研究表明，利用常规收集的健康体检和索赔数据，可以良好区分度预测社区居住高龄老年人的1年肺炎住院风险。超级学习器集成模型表现出良好的区分度，而并行的基于总分的评分卡模型保留了集成模型的大部分区分度并具有良好的校准性能。这是首个在大量高龄老年人人群中，将超级学习器与可解释评分卡配对开发的肺炎风险模型。
评分卡模型可在日本后期高龄者医疗制度内实施，无需额外数据收集，因为QMCOO已用于75岁及以上成年人的健康筛查。风险分层可能有助于针对口腔保健、肺炎球菌疫苗接种、吞咽和营养评估以及运动干预。然而，研究人员指出，这些观察性预测因子是预后标志物而非因果或可修饰的干预靶点。评分≥11分提供了密集个体化评估的较窄目标，而评分≥7分提供了可扩展的低强度预防的较广泛目标，但两个阈值均未经外部验证不推荐用于临床使用。≥90岁成年人中较低的区分度可能反映其更高、更窄的评分分布，以及衰弱和合并症在极高龄时可能对肺炎特异性较低。研究局限性包括：体检参加者可能比未参加者更健康，QMCOO条目为自我报告可能存在回忆偏倚，疫苗接种状态、口腔卫生和营养摄入数据不可用，低事件率限制了PPV，以及非肺炎死亡作为重要竞争事件。研究人员强调，外部验证至关重要，特别是在人口老龄化、医院床位密度和医疗可及性不同的都市和农村地区，以及在疫情后队列中，需要进行前瞻性校准和临床影响评估。
研究结论：基于QMCOO的风险评分卡模型在预测社区居住、年龄≥75岁成年人1年肺炎住院方面表现出良好的区分度和校准性能。若经外部验证，该工具可能有助于在常规健康体检中识别高风险个体，并指导基层医疗中针对性的预防性评估。在广泛实施前需要进行前瞻性验证和临床影响评估，且在≥90岁人群中临床使用前仍需进行独立验证和年龄特异性再校准。
