基于药物配发数据的老年痴呆患者处方模式聚类分析及临床特征关联研究

　　来自加拿大的研究人员针对老年痴呆患者群体异质性导致的用药管理难题，创新性地采用无监督机器学习（unsupervised machine learning）中的层次聚类算法（hierarchical clustering），通过分析安大略省99,046例新确诊痴呆患者的药物配发数据，识别出6类具有显著差异的处方模式集群（如ACE抑制剂心血管用药占22.6%、中枢神经系统药物占21.3%），并发现其与人口统计学特征、临床指标存在显著关联。该研究为精准化用药管理和并发症模式预测提供了新思路。

　　

老年痴呆患者群体存在显著的临床异质性，这为优化药物管理策略带来挑战。研究者另辟蹊径，运用无监督机器学习（unsupervised machine learning）技术，对加拿大安大略省99,046名新确诊痴呆患者的药物配发数据展开深度挖掘。

通过层次聚类算法（hierarchical clustering）的层层递进分析，研究团队揭示了六类特征鲜明的处方模式集群：血管紧张素转换酶(ACE)抑制剂主导的心血管用药组（占22.6%）、中枢神经系统(CNS)活性药物高使用组（21.3%）、甲状腺功能减退治疗药物集中组（22.9%）、呼吸系统药物突出组（3.9%）、血管紧张素受体阻滞剂(ARB)类心血管用药组（6.1%），以及整体用药较少的低配发组（23.1%）。

更引人注目的是，这些药物使用模式与患者的人口统计学特征、临床指标及医疗服务使用情况呈现出显著相关性。该发现不仅为理解痴呆患者复杂的共病模式提供了新视角，更为未来研究开辟了道路——这些聚类特征或将成为预测医疗资源消耗、疾病进展及药物不良反应的更优指标。