2022-10-31
近期發表在《阿爾茲海默病期刊》的一篇論文中，休斯敦衛理公會醫院專家利用人工智能和大數據開發了一種集成學習模型，通過分析該院10年來老年癡呆患者的數據，找出了決定這些患者住院治療結果的風險因素。這些風險因素可為醫護人員早期評估和干預提供參考，有望改善患者的治療，提高生活質量并降低再入院風險。
世界衛生組織(WHO) 一份關于全球健康和老齡化報告顯示，到2050年，全球65歲或以上的人口數量將比2010年增加兩倍，達到近15億。具體到我國，2020年全國第七次人口普查的數據顯示，65歲以上人口約為1.9億，占比達13.5%。
老齡化帶來的一個關鍵問題是醫療負擔加重和醫療費用上漲?；及V呆癥的風險會隨著年齡增長而急劇上漲，并且與其他老年患者相比，患有癡呆癥的老年人住院更頻繁、住院時間也更長，因此醫療費用也更高。對于住院的老年癡呆患者，找出決定出院預后的決定性風險因素，可以減少住院時間，減少病人的痛苦，并盡量減少不利的出院處置。
此前，人工智能和機器學習等早已用于預測癡呆癥發病率、診斷和疾病分類，但對于住院患者患者的治療效果評估上尚無相關應用。
研究數據來自休斯頓衛理公會醫院的9家醫院，包括2010年1月至2019年12月10年間8407名65歲以上老年癡呆患者的15678次就診記錄。研究人員將這些患者分為四個疾病組，阿爾茲海默病性癡呆（ADD）、血管性癡呆（VD）、帕金森病性癡呆 (PDD)，以及其他未指明性癡呆癥 (OUD)，如額顳葉癡呆癥、路易體癡呆癥和亨廷頓病癡呆癥。通過ICD代碼和AI算法在些臨床記錄中抓取了與住院結果相關的150多個風險因素，涉及人口統計學、醫院并發癥、既往病史、合并癥等。
研究人員首先通過方差分析 (ANOVA) 將150個初始風險因素縮減到35個具有最顯著風險因素，再使用Glmnet識別出20個最重要的變量，即就診時年齡、性別、種族、婚姻狀況、體重指數 (BMI)、既往癡呆診斷、腦病、譫妄、身體約束、尿路感染、糖尿病史、入院來源、入院時醫療問題的數量、深靜脈血栓 (DVT)、跌倒、阿片類藥物、貧血、壓瘡、抗精神病藥和出院診斷次數。研究將這些因素的風險等級分為低風險VS非低風險和高風險VS非高風險，以預測住院結果。
休斯敦衛理公會醫院的研究人員和精神科專家將住院時間和出院處置作為評估住院結果的主要指標，并根據這兩個指標將住院結果分成三個等級：理想/良好、一般、不理想/差。
預測住院結果大多使用的基線模型包括K近鄰算法 (KNN)、隨機森林和決策樹模型。該研究用堆疊集成方法將決策樹和隨機森林集成到多目標檢測模型中。數據進行隨機分配，其中10,452條就診記錄的數據用于模型訓練，識別低風險和高風險的住院結果，另外5226條就診記錄用于模型測試。隨后研究人員將其模型性能與多層感知器 (MLP) 神經網絡和其他基線模型的性能進行了比較，并通過特征重要性分析來改善模型解讀功能，提高預測準確性。
上述因素中，有些是可預防、可控制、或可改善的，通過干預可以減少其對患者住院效果的影響，例如腦病、感染、貧血、壓瘡和跌倒。也有一些因素是無法通過臨床干預改變的，例如年齡、性別、入院來源、老年癡呆病史等。雖然對不可變因素做不了太多，如年齡、種族等，但可以對可變因素實施干預。
四種老年癡呆疾病中，年齡、BMI、腦病、入院來源、入院時健康問題數、壓瘡對住院結果的影響都排在前十名，也就是說前十名指標中重合率達到了60%。其中腦病、壓瘡都可以在住院治療中采取積極措施來避免。
入院時健康問題數和壓瘡在四個預測模型中都排名很高，可被認為是導致出院處置不佳的強關聯因素。
腦病和入院來源在三個病種中預測性較高。就入院來源說，相比于急診和急性診療機構轉診來的患者，醫生或診所轉診的患者出院處置結果更好?？舍槍赡軐е履X病的癥狀提供及時治療，例如代謝、感染、早期精神錯亂等，以改善患者的住院治療效果。
對于VD和OUD患者而言，有無跌倒史或跌倒風險是預測住院效果的重要指標，因此可在這些患者住院期間重點預防跌倒。
該模型可以找出不同老年癡呆患者的主要風險因素，幫助醫護人員更好地分配資源，在最需要的地方進行重點護理管理，及時實施方案。這些干預措施可寫進醫院的臨床路徑，在患者一入院時就進行風險預測，針對性為患者設計住院治療方案。
【參考資料】Risk factors and machine learning model for predicting hospitalization outcomes in geriatric patients with dementiahttps://alz-journals.onlinelibrary.wiley.com/doi/10.1002/trc2.12351成為我們的
合作伙伴
