检索历史 清除

摘要背景：<br>　　随着人口老龄化进程加快，衰弱作为重要的老年综合征，逐渐成为国内外老年医学领域的研究热点。研究显示，社区老年人患病率范围在4.0%~59.1%，合并后衰弱患病率为10.7%。衰弱是一种由于随年龄增长多个生理系统的储备量下降、功能减退，造成躯体稳态性受损，易受外界压力影响的状态，可以导致老年人出现跌倒、残疾、住院甚至死亡等严重的不良后果。因此，社区护理人员应提高对老年衰弱的关注，及时评估，早期干预，减少不良结局的发生。机器学习是人工智能学习的一个重要分支，可对大量数据的输入特征进行自主学习，具有良好的数据处理能力和预测能力，已被越来越多的应用于医疗领域，可用于对疾病风险和不良结局的预测。将机器学习运用于衰弱风险的预测，能够对衰弱进行早期识别，准确、有效预测衰弱发生风险，改善老年人生活质量。<br>　　目的：<br>　　描述和分析社区老年人衰弱现状及相关风险因素，并利用多种机器学习算法，构建针对中国社区老年人衰弱风险预测模型，并通过模型评价指标，选出具有最佳预测性能的模型算法。<br>　　方法：<br>　　本研究为横断面研究，于2021年10月至2022年6月进行。采取方便抽样方法共选取符合纳入排除标准的长春市社区老年人533例。调查工具采用一般资料调查表、微型营养评定简表、匹兹堡睡眠质量指数、日常生活活动能力量表、简明国际跌倒效能感量表、简版老年抑郁量表、焦虑自评量表、社会支持评定量表和Tilburg衰弱量表。采用SPSS24.0软件进行统计学分析，计数资料采用频数（n）和构成比（%）描述，计量资料采用均数±标准差（x?±s）描述，对衰弱潜在风险因素进行单因素分析，服从正态分布的连续变量采用独立样本t检验，不服从正态分布则采用非参数检验，二分类变量采用?2检验，三分类及以上变量采用非参数检验，将单因素分析中有统计学意义（P＜0.05）的变量用于构建衰弱预测模型。使用Python3.7编程语言和机器学习中Logistic回归、决策树、朴素贝叶斯、随机森林和XGBoost算法构建社区老年人衰弱预测模型，利用混淆矩阵和ROC曲线作为模型的评价指标。<br>　　结果：<br>　　1.本研究在长春市7所社区共发放问卷550份，有效问卷533份，应答率96.9%，社区老年人衰弱患病率为28.0%。<br>　　2.单因素分析结果显示年龄、教育程度、家庭月收入、婚姻状况、居住状况、共病、多重用药、过去6个月跌倒史、手术史、自评健康状况、辅助工具使用跌倒恐惧、睡眠状况、营养状况、日常活动能力、抑郁和焦虑的差异具有统计学意义（P＜0.05）。<br>　　3.单一算法构建的预测模型评价指标显示，Logistic回归模型预测性能优于其他两种单一模型，AUC值为0.7833，F1值为0.6053，伯努利贝叶斯模型AUC值为0.7827，F1值为0.5679，决策树模型的AUC值为0.7192，F1值为0.5122。<br>　　4.集成算法模型性能均高于单一算法预测模型，结果显示，XGBoost模型AUC值最高为0.8126，F1值为0.5352，随机森林模型AUC值为0.8006，F1值为0.4127。综合考虑AUC值和F1值，XGBoost模型性能在社区老年人衰弱预测中表现优于其他所有模型。<br>　　5.XGBoost模型中社区老年人衰弱风险自变量的重要性排序依次为跌倒恐惧、自评健康状况、年龄、日常活动能力、抑郁、睡眠状况、共病、居住状况、家庭月收入、营养状况、教育程度、多重用药、过去6个月手术史和跌倒史。<br>　　结论：<br>　　1.长春市社区老年人衰弱患病率较高，应提高社区医护人员对老年衰弱的重视程度。<br>　　2．社区老年人衰弱的风险因素是多维度的，涉及身体、心理和社会等方面。因此，对多维度风险因素的全面评估可能更有利于对衰弱发生风险进行预测。<br>　　3.XGBoost算法是社区老年人衰弱风险预测的最优算法，未来可以结合社区老年人电子健康档案，及时筛查衰弱发生风险，并提供个性化干预措施。